一种基于EMDFICA-CNN的滚动轴承故障诊断方法

王文青，李光鑫，陈 勇，张建军，刘 睿

（1.河北工业大学天津市新能源汽车动力传动与安全技术重点实验室，天津300130；2.河北工业大学机械工程学院，天津300130）

随着大数据和人工智能在工业制造中的快速发展和普及，如何对制造装备中的关键部件进行状态实时监测(Real-time condition monitoring，RCM) 成为研究热点。工业制造装备大多由旋转机械组成，而滚动轴承作为旋转机械的关键零件，往往安装在关键的旋转部位，需要精准安装定位，不便经常拆卸，因此对其运转进行RCM，有利于及时控制和调整设备工作状态，从而保护其它零部件，延长设备的服役寿命。研究表明：30%的旋转机械故障和40%的电机故障与滚动轴承有关[1]。由于旋转机械振动信号多为非线性不平稳信号以及机械在运转过程中通常伴有不同程度的噪声，如何准确提取故障特征，建立高效的滚动轴承故障诊断体系成为许多科研人员的新目标。

卷积神经网络(CNN)成功应用于手写字体识别之后，研究人员尝试将其应用于其他方面，如自然语言处理[2-3]、医学影像识别[4]、人群密度估计[5]、车辆识别[6]等,取得了一些研究成果。除此之外，研究人员把CNN应用在滚动轴承的故障诊断中，利用其强大的学习能力，将信号处理方法与CNN相结合进行特征提取，实现故障分类、诊断。

王海龙等[7]将EMD与原始振动信号相结合构成二维特征图，实现轴承的故障诊断。Niu 等[8]利用EMD 分解、循环平稳、谱峰度和两相测试样本稀疏表示的故障诊断方法，实现了电机轴承故障诊断。……