排灌机械工程学报

作者：边豪杰, 苏泓臣, 杨辰昕, 于佳鑫, 张宇宁

单位：1. 华北电力大学电站能量传递转化与系统教育部重点实验室, 北京 102206; 2. 华北电力大学能源动力与机械工程学院, 北京 102206

关键词：故障诊断,特征模态分解,最大自相关峭度,时域特征,卷积神经网络

针对轴承故障诊断准确率低的问题,提出了一种基于特征模态分解-最大自相关峭度-卷积神经网络(FMD-MAK-CNN)的轴承故障诊断模型.首先,利用特征模态分解(FMD)算法将轴承故障信号分解为若干个含有丰富故障特征的模态;其次,计算各模态的自相关峭度(AK),选取最大自相关峭度(MAK)对应的模态作为待分析信号,并根据其时域特征构建特征向量,将特征向量与信号标签组合构建特征向量矩阵;最后,将特征向量矩阵按照8∶2划分为训练集和测试集,输入卷积神经网络(CNN)中训练和测试,实现轴承故障诊断.通过轴承内圈和轴承外圈2组试验数据验证FMD-MAK-CNN模型的平均故障诊断准确率分别为97.50%和97.83%.在相同模型条件下,与EMD-MAK-CNN故障诊断模型相比,平均故障诊断准确率分别提高了16.17%和16.66%,与FMD-EE-CNN故障诊断模型相比,平均故障诊断准确率分别提高了16.67%和16.83%.

来源：2026年第1期

《排灌机械工程学报》期刊编辑部

查看排灌机械工程学报杂志2026年第1期