一种基于EMDFICA-CNN的滚动轴承故障诊断方法

摘要

针对滚动轴承故障信号信噪比低、特征学习效率低、诊断模型结构复杂等问题,提出一种基于经验模态分解快速独立成分分析(Empirical mode decomposition fast independent component analysis,EMDFICA)与卷积神经网络(Convolution neural network,CNN)相结合的滚动轴承故障诊断方法.首先,通过经验模态分解预处理得到原始振动信号的内禀模式函数(Intrinsic mode function,IMF);然后,对提取的IMF分量进行快速独立成分分析(Fast independent component analysis,FICA)并获得特征ICA分量;最后,将得到的ICA分量基于CNN模型进行训练、测试,实现滚动轴承智能诊断分类识别.实验结果表明:利用EMDFICA对振动信号进行预处理,能够准确高效提取故障特征.通过与其他模型的诊断结果对比发现,所提出CNN模型能实现高精度故障诊断.