针对滚动轴承早期故障具有强噪声背景且信号弱强度导致诊断精度较低的问题,提出一种基于共振稀疏分解(RSSD)的改进一维卷积和双向长短期记忆的故障诊断方法。利用3σ原则确定轴承全寿命周期的早期退化起始点,对起始点时域信号进行RSSD降噪处理,从而提高早期微弱故障的分辨率;将数据预处理后的信号输入到添加SE注意力机制的卷积神经网络(CNNSE)中提取关键局部特征,其输出输入双向长短期记忆神经网络(BiLSTM)对当前及前后时间序列信息进行特征提取;最后,通过全连接层和Softmax层进行早期多故障分类。采用所提方法针对XJTU-SY轴承全寿命周期故障信号进行实验,结果表明所提方法对早期微弱故障信号有更高的识别率,诊断准确率99.75%,优于其他诊断方法。

由于滚动轴承在工程实际中的应用场景复杂多变,早期的滚动轴承故障容易被高强背景的噪声所掩盖,传统的故障特征提取方法效果不理想。针对现有共振稀疏分解方法的品质因子手动选取不严谨的问题,提出蛙跳算法优化参数模型,将品质因子进行蛙跳算法优化,再将得到的最优品质因子组合输入到共振稀疏分解模型中进行处理,得到低共振分量,将低共振分量进行Hilbert解调分析。设定低共振分量的峭度值最大为目标,进行蛙跳迭代寻优,最终实现了故障频率的识别。

共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同，该方法同时参考频率和带宽两个因素，从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题。然而共振稀疏分解的分解效果受到品质因子Q、权重系数A以及拉格朗日乘子u的主观选择影响，针对此问题，将粒子群优化算法（Particle Swarm Optimization，PSO）应用到参数的选取中，通过粒子群优化算法的全局优化特点对实验参数进行自适应选取，进而实现振动信号的有效分解。将基于粒子群优化算法的共振稀疏分解应用到轴承故障信号的诊断中，证实了该方法的有效性。

针对强背景噪声下的滚动轴承早期故障诊断问题,提出了一种融合遗传算法品质因子参数优化、子带重构共振稀疏分解(RSSD)和小波变换的故障诊断方法。该方法以滚动轴承早期故障振动信号RSSD低共振分量峭度指标作为目标函数,利用遗传算法对品质因子参数组合进行优化选择。依据能量分布占优原则对低共振分量进行主子带重构、减少噪声干扰且增强故障信号冲击特征。借助小波分析局部优化和多分辨的特性,对重构低共振分量进行多尺度小波分解,提取轴承故障特征且深度挖掘轴承故障特征信息。通过滚动轴承的2种不同类型故障诊断实例表明,与一般RSSD方法相比,该方法具有更强的削弱背景噪声影响、凸显微弱故障特征的能力。

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimum entropy deconvolution,MED）与共振稀疏分解（Resonance sparse signal decomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。