噪声与振动控制

噪声与振动控制 ›› 2025, Vol. 45 ›› Issue (4): 136-142.

• 信号处理与故障诊断 • 上一篇    下一篇

基于COA-CNN的滚动轴承故障诊断方法研究

别锋锋1, 2，周兆龙1, 2，李倩倩1, 2，丁学平1, 2，袁为栋3，张瀚阳1, 2   

  1. ( 1. 常州大学机械与轨道交通学院，江苏常州213164；
    2. 常州大学江苏省绿色过程装备重点实验室，江苏常州213164；
    3. 盐城市崇达石化机械有限公司，江苏盐城224712 )
  • 收稿日期:2023-11-22 修回日期:2024-02-29 出版日期:2025-08-18 发布日期:2025-07-28

Rolling Bearing Fault Diagnosis Study Based on COA-CNN

  • Received:2023-11-22 Revised:2024-02-29 Online:2025-08-18 Published:2025-07-28

PDF

摘要： 滚动轴承大多处于高速、高负载的复杂工况，通常存在较强的非平稳非线性特征，使得对其振动信号分析、故障识别困难。对此，提出一种基于浣熊算法（Coati Optimization Algorithm，COA）优化卷积神经网络(Convolutional Neural Network，CNN)的故障诊断方法。首先利用差分连续小波变换(Difference Continuous Wavelet Transform，DCWT)对原始振动信号进行预处理，获取包含完整原始特征信息的小波时频图，通过构建COA-CNN模型优化神经网络的核心参数，对所获取的时频特征信息进行识别，由此完成滚动轴承的非平稳信息的提取和模式识别。实验仿真和工程应用研究表明，在复杂工况下该方法可以有效实现滚动轴承典型故障模式的识别。

关键词: 故障诊断, 滚动轴承, 卷积神经网络, 小波变换, 时频图, 模式识别