【轴承故障诊断】基于VMD-CNN-BILSTM的轴承故障诊断研究【西储大学数据】（Matlab代码实现）-CSDN博客

本文链接：https://blog.csdn.net/wytm123/article/details/148183679

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

基于VMD-CNN-BiLSTM的轴承故障诊断研究（基于西储大学数据集）

一、研究背景与意义

二、核心方法原理

1. 变分模态分解（VMD）的优化应用

2. 卷积神经网络（CNN）的特征提取

3. 双向长短期记忆网络（BiLSTM）的时序建模

三、VMD-CNN-BiLSTM混合模型架构

1. 整体流程（如图1所示）：

2. 关键技术环节：

3. 参数优化策略：

四、西储大学数据集特征与实验设计

1. 数据集特性：

2. 实验对比结果：

3. 鲁棒性验证：

五、未来研究方向

六、结论

📚2 运行结果

2.1 CNN-LSTM结果图

2.2 CNN-BiLSTM结果图

2.3 VMD-CNN-LSTM结果图

2.4 VMD-CNN-BiLSTM结果图

🎉3 参考文献

🌈4 Matlab代码、数据下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于VMD-CNN-BiLSTM的轴承故障诊断研究（基于西储大学数据集）

一、研究背景与意义

轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。传统故障诊断方法依赖人工特征提取和浅层模型，存在特征表征能力不足、时序信息利用不充分等问题。基于深度学习的组合模型通过融合信号处理、空间特征提取与时序建模能力，成为提升诊断精度的有效途径。西储大学轴承数据集作为行业基准，为算法验证提供了标准化数据基础。

二、核心方法原理

1. 变分模态分解（VMD）的优化应用

基本原理：VMD通过频域自适应分解，将振动信号转化为多个窄带本征模态函数（IMF），克服了EMD的模态混叠问题。
参数优化挑战：分解模态数K、惩罚因子α的选取直接影响IMF质量。文献提出采用遗传算法（GA）、河马优化算法（HO）等全局优化方法，以包络熵、峭度因子等指标为适应度函数，实现参数组合自动寻优。本文利用融合鱼鹰和柯西变异的麻雀优化算法进行特征提取。
优势体现：
- 优化后的VMD可将信噪比提升30%以上，显著增强微弱故障特征的可辨识性
- 通过能量损失系数和皮尔逊相关系数设定迭代终止条件，避免过分解

2. 卷积神经网络（CNN）的特征提取

信号处理机制：
- 1D-CNN直接处理原始振动信号，通过卷积核滑动捕捉局部冲击特征
- 2D-CNN将时频图（如STFT、小波变换结果）作为输入，利用图像识别能力提取频域特征
创新设计：
- 多尺度卷积核（如Inception结构）可同时捕获不同频率范围的故障特征
- 引入注意力机制（如ECA模块）增强关键频带特征的权重
性能对比：相较于传统特征提取方法（如小波包变换），CNN的故障分类精度提升约7-15%

3. 双向长短期记忆网络（BiLSTM）的时序建模

双向信息融合：正向LSTM捕捉历史依赖，反向LSTM预测未来趋势，联合输出全面时序特征
长期记忆能力：通过门控机制（遗忘门、输入门、输出门）选择性保留关键信息，解决梯度消失问题
实验验证：在轴承寿命预测任务中，BiLSTM相比单向LSTM的均方误差（MSE）降低约18%

三、VMD-CNN-BiLSTM混合模型架构

1. 整体流程（如图1所示）：

振动信号 → VMD分解（优化参数）→ IMF分量筛选 → CNN特征提取 → BiLSTM时序建模 → Softmax分类

2. 关键技术环节：

模态分量选择：
- 采用峭度-相关系数准则，筛选包含故障冲击的敏感IMF
- 时-频加权峭度指标可有效区分噪声主导分量
特征融合策略：
- CNN输出特征与BiLSTM隐藏状态进行张量拼接，形成多维特征向量
- 引入注意力机制动态调整特征权重，增强故障相关特征的贡献度

3. 参数优化策略：

联合优化框架：采用CSADBO等算法同步优化VMD参数（K, α）与CNN-BiLSTM超参数（卷积核数量、LSTM单元数）
性能提升：优化后模型相比未优化版本的分类准确率提升6.2%，达到99.6%

四、西储大学数据集特征与实验设计

1. 数据集特性：

参数	数值/描述	来源
故障类型	内圈、外圈、滚动体（含正常状态）
故障尺寸	0.007/0.014/0.021英寸
负载条件	0-3马力（对应转速1720-1797 RPM）
采样频率	12kHz（主流）、48kHz（高频）
传感器位置	驱动端、风扇端加速度计

2. 实验对比结果：

模型	准确率 (%)	优势与局限性
VMD-CNN-BiLSTM	99.6	综合特征提取能力强，计算复杂度高
ResNet-CNN	98.2	残差结构缓解梯度消失，泛化性较弱
MCKD-CNN-LSTM	97.8	增强周期性冲击，多步预测精度下降
MSCNN-ECA	99.46	多尺度特征融合优，迁移能力受限