基于自适应模态分解的时频双流抗噪声故障诊断模型

《Scientific Reports》：A temporal-spectral dual-stream anti-noise bearing fault diagnosis model based on adaptive mode decomposition

　　

摘要

近年来，基于深度学习的轴承故障诊断模型在理想实验条件下取得了显著的性能。然而，在实际工业场景中，这些模型的准确性和可靠性会显著下降，因为采集到的信号常常受到强烈背景噪声的干扰。尽管已经开发出多种抗噪声轴承故障诊断方法，但仍存在一些局限性。大多数模型直接使用原始的含噪声信号作为输入，缺乏有效的前端噪声抑制机制，这使得难以充分突出与故障相关的信息。此外，大多数模型主要关注时间特征的提取与分析，忽略了其他特征域中蕴含的互补故障特征信息，从而限制了特征表示的丰富性和区分能力。为了解决这些问题，本文提出了一种基于自适应模态分解的时间-频谱双流抗噪声轴承故障诊断模型。首先，设计了一个自适应模态分解模块来处理原始的含噪声信号，旨在抑制无关噪声成分并增强与故障相关的信息，从而为后续诊断提供更清晰的信号表示。其次，构建了一个时间-频谱双流轴承故障诊断框架，从同一信号中从不同角度提取故障信息，以提高特征表示的丰富性和区分能力，从而增强模型在噪声干扰下的诊断性能。最后，通过对两个实际案例的广泛实验验证表明，与当前主流的抗噪声轴承故障诊断模型相比，所提出的方法在各种噪声强度下都能实现更高的诊断准确性，充分证明了其有效性。