基于VMD-CNN-BiLSTM的轴承故障多级分类识别

作者：王祎颜,王衍学,姚家驰 日期：2024-09-26/span> 浏览：195 查看PDF文档

摘要:双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMDCNNBiLSTM)故障诊断模型。首先,采用改进的麻雀优化算法——鱼鹰-柯西-麻雀搜索算法(OCSSA)对变分模态分解(VMD)的惩罚因子、模态分量进行了优化,OCSSA算法是将鱼鹰算法和柯西变异策略与麻雀算法进行了融合,形成了一种新的优化算法,该算法利用强大的参数搜索能力获取了更精确的频率特征;然后,利用卷积神经网络(CNN)提取了信号的时域和频域特征,并对特征进行了融合;最后,利用双向长短期记忆网络(BiLSTM)学习了故障的序列模式,完成了故障的多级分类任务。研究结果表明:基于OCSSA算法优化的VMD-CNN-BiLSTM模型在多级轴承故障识别方面表现出明显的优势,平均识别准确率可达98.36%,与CNN-LSTM、CNN-BiLSTM和VMD-BiLSTM模型进行对比,该模型具有更卓越的故障诊断性能、出色的泛化能力和快速的计算速度。这一结果充分验证了该模型在双馈风力发电机轴承故障的多级分类识别任务上的有效性,且适用于在线监测和智能诊断,为实现高效、可靠的风能发电提供了重要的实际应用价值。

关键词:双馈风力发电机;变分模式分解-卷积神经网络-双向长短期记忆;鱼鹰-柯西-麻雀搜索算法;轴承故障诊断;多级分类;识别准确率;泛化能力

中图分类号:TH133.33;TM315;TP18文献标识码:A文章编号:1001-4551(2024)09-1554-11



本文引用格式:

王祎颜,王衍学,姚家驰.基于VMD-CNN-BiLSTM的轴承故障多级分类识别［J］.机电工程,2024,41(9):1554-1564.

WANG Yiyan, WANG Yanxue, YAO Jiachi. Multi-level classification and identification of bearing faults based on VMD-CNN-BiLSTM model［J］.Journal of Mechanical & Electrical Engineering, 2024,41(9):1554-1564.