11、基于ICEEMDAN与迁移学习的轴承故障诊断方法研究

基于ICEEMDAN与迁移学习的轴承故障诊断方法研究

在工业设备运行过程中，轴承故障诊断至关重要。传统的迁移学习故障诊断方法虽取得了一定成果，但存在训练时间长的问题。为解决这一问题，本文提出了一种基于改进的自适应噪声完全集成经验模态分解（ICEEMDAN）和一维VGG16模型迁移学习的轴承故障诊断方法。

1. 研究背景与目标

目前，迁移学习故障诊断方法已有诸多研究成果。例如，Lei等人提出了深度卷积迁移学习网络（DCTLN）故障诊断方法；有研究提出了深度自适应网络（DAN）的新架构；Su等人将微调的二维VGG16模型应用于故障诊断；Han等人引入额外的判别分类器作为对抗学习，提出了深度对抗CNN（DACNN）。然而，这些迁移学习模型在提高诊断精度的同时，训练时间也相应增加。在实际工程应用中，迫切需要高精度且计算时间高效的迁移学习模型。

本文的目标是提供一个使用一维时域信号的端到端诊断过程，主要聚焦于使用时域数据进行故障诊断，以加快模型训练速度并提高故障诊断效率。

2. 信号处理方法：ICEEMDAN

ICEEMDAN是自适应噪声完全集成经验模态分解（CEEMDAN）信号处理方法的改进版本。它基于CEEMDAN，采用自适应噪声方法将训练数据集分解为有限数量的本征模态函数（IMF）子序列和一个残差。与其他分解方法相比，ICEEMDAN大大减少了IMF中的残余噪声问题，同时解决了EEMD生成不同数量IMF导致的均值问题。具体步骤如下：
1. 生成噪声IMF矩阵 ：对每组白噪声信号进行经验模态分解，将每列噪声IMF的频率从高到低排列，得到噪声IMF矩阵：
[
E\left[w(