电子测量技术

作者：邵鲁川，赵兵，康旭涛

单位：青海大学机械工程学院 西宁 810016

关键词：滚动轴承;信号降噪;变分模态分解;诊断模型;故障诊断

基金：青海省2025年重点研发与转化计划项目（2025-QY-209）资助

针对滚动轴承的振动信号易受到噪声干扰、故障特征提取困难、诊断精度低的问题，提出一种基于DE优化VMD与CNN-BiGRU-Attention结合的模型进行故障识别与诊断的方法。根据最小化包络熵原则，用DE优化VMD,得到最佳分解层数和惩罚因子，计算最佳分解参数组合下的各个IMF的相关系数，根据设定的阈值筛选有用信号完成信号重构。首先将识别模型与常用分类模型进行对比了实验，本文所提方法的accuracy、precision、recall和F1 score均高于其他方法,故障诊断准确率达到了99.17%。其次将原始信号和重构信号特征输入CNN-BiGRU-Attention模型中，原始信号在本文所提模型的故障准确率为89.58%，低于信号降噪后的准确率。最后将CNN-BiGRU-Attention与CNN-BiLSTM-Attention模型对比，CNN-BiGRU-Attention比CNN-BiLSTM-Attention模型准确率高1.25%、GPU占用率降低21%、CPU占用率降低23%，训练时间快35s，实验研究结果可为现有滚动轴承故障诊断技术提供一种有效的改进方法。

来源：2026年第3期

《电子测量技术》期刊编辑部

查看电子测量技术杂志2026年第3期