尹遜龍牟宗磊王友清

(1.山東科技大學(xué)電氣與自動(dòng)化工程學(xué)院，山東青島 266590;2.北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 100029)

1 引言

旋轉(zhuǎn)機(jī)械作為現(xiàn)代機(jī)械設(shè)備的重要組成部分，在工業(yè)中有著重要作用.由于機(jī)械設(shè)備的自動(dòng)化、智能化水平不斷提高，旋轉(zhuǎn)機(jī)械的內(nèi)部結(jié)構(gòu)也更加復(fù)雜，并且此類設(shè)備長(zhǎng)期工作在惡劣環(huán)境中，齒輪、軸承等旋轉(zhuǎn)機(jī)械的核心零件極易發(fā)生損壞，若未能及時(shí)診斷出故障，可能導(dǎo)致設(shè)備無(wú)法正常運(yùn)轉(zhuǎn)，甚至引發(fā)重大事故[1].因此，人們對(duì)設(shè)備故障的監(jiān)測(cè)和診斷技術(shù)的可靠性提出了更高的要求.

通過實(shí)時(shí)采集和分析機(jī)械設(shè)備的振動(dòng)信號(hào)，可以監(jiān)測(cè)設(shè)備的健康狀況.但是當(dāng)設(shè)備工作在惡劣的工業(yè)環(huán)境中，能夠反映故障信息的特征分量往往被噪聲所淹沒[2]，并且旋轉(zhuǎn)機(jī)械結(jié)構(gòu)復(fù)雜，產(chǎn)生的振動(dòng)信號(hào)具有多分量和調(diào)幅調(diào)頻特性[3]，故障分量通?；祀s在無(wú)關(guān)分量中，因此，在設(shè)備運(yùn)轉(zhuǎn)過程中，包含在振動(dòng)信號(hào)中的無(wú)關(guān)分量和噪聲難以剔除.為了解決上述問題，不少學(xué)者改進(jìn)信號(hào)分解方法，對(duì)故障信號(hào)進(jìn)行了降噪處理，例如:小波分解(wavelet decomposition，WD)、經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)和局部均值分解(local mean decomposition，LMD)[4-5]等.相較于WD，EMD和LMD，變分模態(tài)分解[6](variational mode decomposition，VMD)在分解信號(hào)的過程中能夠抑制噪聲的干擾，并且分量之間能夠有效避免模態(tài)混疊[7].通過VMD分解，噪聲被分配到每個(gè)分量中，如果直接對(duì)每個(gè)分量進(jìn)行降噪處理，可能會(huì)剔除有效的故障分量[8].因此，將VMD算法改進(jìn)為深度VMD(depth VMD，DVMD)降噪方法，首先將VMD分解得到的分量進(jìn)行相關(guān)分析，對(duì)相關(guān)度較低的分量進(jìn)行降噪處理，再與其余分量重構(gòu)，然后對(duì)重構(gòu)的信號(hào)進(jìn)行多次VMD分解、分量降噪與重構(gòu)，實(shí)現(xiàn)故障分量的噪聲轉(zhuǎn)移至相關(guān)度低的分量.噪聲在分量中剔除后，能夠提高故障特征的敏感性，從而提高故障診斷的精度.

故障診斷是根據(jù)不同故障特征之間的差異，實(shí)現(xiàn)對(duì)故障的區(qū)分.理論上如果信號(hào)通過降噪處理，增強(qiáng)信號(hào)表達(dá)特征的能力，再基于機(jī)器學(xué)習(xí)提取有效的故障特征，選取合適的分類器，就能從本質(zhì)上提升故障診斷的性能[9].在傳統(tǒng)的機(jī)器學(xué)習(xí)中，人工提取多尺度排列熵[10](multi-scale permutation entropy，MPE)特征不僅能夠反映信號(hào)的復(fù)雜性，并且將單一維度的故障信息擴(kuò)展至多維，從而增強(qiáng)分類器對(duì)故障特征的敏感度.相較于傳統(tǒng)機(jī)器學(xué)習(xí)的特征提取方法，深度學(xué)習(xí)方法則是通過訓(xùn)練大量的數(shù)據(jù)，自動(dòng)建立故障特征到故障類型的非線性映射[11]，進(jìn)而提高診斷模型的泛化能力.從2015年提出的Resnet模型[12]，到2019年提出的Efficientnet模型[13]，再到2020年提出的Regnet模型[14]，深度學(xué)習(xí)在故障診斷中的作用也越來(lái)越重要[15].將故障信號(hào)與深度學(xué)習(xí)模型有機(jī)結(jié)合，提高強(qiáng)噪聲、非平穩(wěn)信號(hào)的診斷精度已成為當(dāng)前研究的熱點(diǎn)[16].輕量級(jí)梯度提升機(jī)(light grandient boosting machine，LightGBM)使用集成學(xué)習(xí)的方式[17]，該分類器通過直方圖方式對(duì)連續(xù)特征值進(jìn)行分段，以節(jié)省運(yùn)行內(nèi)存[18]，并且具有高效的運(yùn)行速度和準(zhǔn)確的分類效果.因此，將提取的故障特征放入LightGBM中進(jìn)行訓(xùn)練，能夠以高效的運(yùn)行速度得到準(zhǔn)確的診斷模型.

綜上，本文提出DVMD降噪方法有效剔除振動(dòng)信號(hào)的噪聲.在不同的降噪深度下，對(duì)信號(hào)進(jìn)行分解、分量降噪和重構(gòu)，實(shí)現(xiàn)了噪聲在分量之間的轉(zhuǎn)移與剔除，進(jìn)而增強(qiáng)了信號(hào)表達(dá)特征的能力.使用風(fēng)力渦輪傳動(dòng)系統(tǒng)的齒輪箱數(shù)據(jù)集進(jìn)行驗(yàn)證，結(jié)果表明，無(wú)論是采用傳統(tǒng)的人工特征提取方式，還是通過訓(xùn)練深度學(xué)習(xí)模型自動(dòng)提取特征，診斷效果均有提升.

2 基于深度變分模態(tài)分解的降噪方法

2.1 DVMD的降噪原理

VMD是一種自適應(yīng)、非遞歸的模態(tài)變分信號(hào)處理方法[19]，將該算法改進(jìn)為DVMD降噪方法的步驟如下: 假設(shè)長(zhǎng)度為N輸入信號(hào)x(t)經(jīng)過VMD處理后得到了K個(gè)IMF分量，將每個(gè)模態(tài)分量uk(t)經(jīng)過Hilbert變換后得到解析信號(hào)，解析信號(hào)與對(duì)應(yīng)的中心頻率ejωkt項(xiàng)相乘，將各模態(tài)分量的頻譜轉(zhuǎn)移至基頻帶

式中:δ(t)為狄拉克分布，“*”為卷積運(yùn)算.

約束變分問題表達(dá)式如下:

式中:uk(t)為輸入信號(hào)經(jīng)VMD分解得到的第k個(gè)模態(tài)分量，ωk為第k個(gè)模態(tài)分量的中心頻率.

為得到最優(yōu)的uk(t)和ωk，引入了增廣拉格朗日函數(shù)ζ[6]，如式(3)所示.用交替方向乘子法進(jìn)行迭代優(yōu)化得到ζ的極小值點(diǎn)，從而解決式(2)的最小化問題.

式中:α表示帶寬參數(shù)，λ(t)表示拉格朗日乘子.DVMD降噪方法具體實(shí)施過程如下:

步驟1，←0.

步驟2迭代次數(shù)nn+1.

步驟3ForkK+1

對(duì)所有的ω≥0，更新泛函

對(duì)所有的ω≥0，更新

式中γ表示噪音容限參數(shù).當(dāng)信號(hào)存在強(qiáng)噪聲時(shí)，可設(shè)定γ0，能實(shí)現(xiàn)良好的去噪.

步驟4重復(fù)執(zhí)行步驟2到步驟4，直到滿足迭代約束條件

步驟5計(jì)算模態(tài)分量uk(t)與輸入信號(hào)x(t)的皮爾遜相關(guān)系數(shù)

步驟6設(shè)置相關(guān)系數(shù)閾值，對(duì)于閾值以下的uk(t)進(jìn)行空間重構(gòu)，得到Hankel矩陣H

步驟7對(duì)H矩陣進(jìn)行奇異值分解[20](SVD)，令mN-n+1，則H ∈Rm×n，存在矩陣U ∈Rm×m與矩陣V ∈Rn×n，使得HUΣVT，其中Σ ∈Rm×n，并且Σdiag{σ1，σ2，···，σk，σk+1，···，σn}，選取前k個(gè)奇異值σi較大的SVD分量進(jìn)行重構(gòu)，得到經(jīng)過降噪處理的分量uk(t).

步驟8將所有分量重構(gòu)，重復(fù)執(zhí)行步驟1到步驟8，直到滿足預(yù)設(shè)的降噪深度L，輸出經(jīng)過DVMD降噪處理的信號(hào)

DVMD降噪原理如圖1所示.在VMD的分解過程中，K和α對(duì)VMD分解效果影響較大.若采用經(jīng)驗(yàn)法預(yù)設(shè)參數(shù)，參數(shù)值設(shè)置不合適，可能會(huì)導(dǎo)致模態(tài)混疊或者過度分解.所以，本文采用SSA算法優(yōu)化VMD參數(shù)，實(shí)現(xiàn)自適應(yīng)分解.

圖1 DVMD 降噪原理圖Fig.1 The principle diagram of DVMD

2.2 基于麻雀算法優(yōu)化VMD參數(shù)

麻雀算法(sparrow search algorithm，SSA)是一種以麻雀的覓食和躲避天敵的社會(huì)行為作為背景提出的群智能優(yōu)化算法，第2.2節(jié)主要參考文獻(xiàn)[21].SSAVMD算法原理如下.

設(shè)置麻雀優(yōu)化VMD參數(shù)的搜索空間如下:

式中:n為麻雀的數(shù)量，[z1，1z2，1···zn，1]T為參數(shù)K的搜索空間，[z1，2z2，2···zn，2]T為參數(shù)α的搜索空間，在2 維搜索空間中有n只麻雀，則第i只麻雀在搜索VMD參數(shù)空間的位置為

式中zi，j為搜索空間中第i只麻雀的第j個(gè)參數(shù)位置，i1，2，···，n，j≤2.VMD參數(shù)以整數(shù)形式在麻雀種群中進(jìn)行搜尋，參數(shù)將以發(fā)現(xiàn)者、加入者和預(yù)警者角色隨機(jī)更新.

發(fā)現(xiàn)者的數(shù)量一般占麻雀總數(shù)量的10%～20%，其位置更新公式為

式中:t為當(dāng)前迭代次數(shù)，Tmax為最大的迭代次數(shù)，α為(0，1]之間的均勻隨機(jī)數(shù)，Q為服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù);L是維度為1×d，元素均為1的向量，R2∈[0，1]和ST ∈[0.5，1]分別為預(yù)警值和安全值.

加入者的數(shù)量一般占麻雀總數(shù)量的80%～90%，其位置更新公式為

預(yù)警者的數(shù)量一般占麻雀總數(shù)量的10%～20%，其位置更新公式為

式中:β為位置更新的步長(zhǎng)，K ∈[-1，1]，表示麻雀位置更新的方向，?為一個(gè)極小的參數(shù)值，防止分母為0，fi為第i只麻雀的適應(yīng)度值，fg和fw分別為當(dāng)前麻雀種群的最優(yōu)和最劣適應(yīng)度值.為提高SSA的搜索性能，避免麻雀長(zhǎng)時(shí)間停留邊界導(dǎo)致陷入局部最優(yōu)解，將邊界進(jìn)行改進(jìn)，即

式中:zmin為最小邊界值，zmax為最大邊界值，λ為[0，1]之間的一個(gè)隨機(jī)數(shù).

SSA優(yōu)化VMD參數(shù)需要確定一個(gè)適應(yīng)度函數(shù)，依據(jù)適應(yīng)函數(shù)的值尋找最優(yōu)的K和α.本文考慮了原始信號(hào)與重構(gòu)信號(hào)的誤差，VMD只有分解出原信號(hào)所包含的有效分量，才能避免模態(tài)混疊和虛假分量，使用原始信號(hào)能量與分量能量差的絕對(duì)值作為適應(yīng)度函數(shù).函數(shù)值代表原始信號(hào)與重構(gòu)信號(hào)的能量差，適應(yīng)度值越小，誤差越小，即

式中:E0和Ev分別為原信號(hào)的總能量與各模態(tài)分量的總能量，x(t)為輸入信號(hào)，uk(t)為經(jīng)過VMD分解得到的模態(tài)分量，K模態(tài)分量個(gè)數(shù)，F(xiàn)為適應(yīng)度函數(shù)，在麻雀搜尋最優(yōu)的參數(shù)過程中，通過比較個(gè)體與群體的適應(yīng)度值，更新麻雀位置，最終找到最優(yōu)的K和α.SSA-VMD流程如圖2所示.

圖2 SSA-VMD流程圖Fig.2 The flow chart of SSA-VMD

3 算法有效性分析

首先構(gòu)造應(yīng)用驗(yàn)證所使用的仿真測(cè)試信號(hào)，驗(yàn)證SSA-VMD分解效果與DVMD降噪效果，仿真測(cè)試信號(hào)如下式:

各部分信號(hào)為

式中:x(t)為仿真測(cè)試信號(hào)，xg(t)為具有多分量特性的有效信號(hào)，r(t)為高斯噪聲.fk為各有效分量的頻率，Ak和β分別為xg(t)和xn(t)的幅值.將頻率預(yù)設(shè)為1 Hz，100 Hz，200 Hz，300 Hz，仿真測(cè)試信號(hào)的時(shí)域和頻域如圖3所示.

圖3 仿真測(cè)試信號(hào)Fig.3 The signal for simulation tests

3.1 基于優(yōu)化算法的VMD自適應(yīng)分解

將SSA算法的麻雀數(shù)量設(shè)置為10，經(jīng)過30次迭代更新后，得到的最優(yōu)參數(shù)組合為K5，α644，SSAVMD分解仿真測(cè)試信號(hào)的效果，如圖4所示.

圖4 信號(hào)自適應(yīng)分解頻譜圖Fig.4 Spectrum of signal adaptive decomposition

圖4為各模態(tài)分量的幅頻分布，從圖中可以看出，分量分別在集中在1 Hz，100 Hz，200 Hz，300Hz的預(yù)設(shè)頻率附近，并且隨頻率的增加，模態(tài)分量所包含的噪聲隨之增加，處在最高頻段的無(wú)關(guān)分量包含大量的高頻噪聲.所以通過SSA算法優(yōu)化VMD參數(shù)，得到了較為理想的模態(tài)分量，將具有多分量特性的信號(hào)分解成多個(gè)有效分量，可以對(duì)分量做進(jìn)一步分析與降噪處理.

3.2 DVMD降噪性能分析

使用DVMD降噪方法對(duì)無(wú)關(guān)分量進(jìn)行降噪和剔除，根據(jù)式(21)反映在不同深度下的降噪效果，即

式中:P為信號(hào)的功率，Ps為原始信號(hào)功率，PD為DVMD降噪信號(hào)的功率，Pn為噪聲功率.若nr值越接近1，則說明剔除噪聲的效果越好;若nr值小于1，則未能完全剔除噪聲;若nr值大于1，則說明在降噪過程中，剔除了輸入信號(hào)的有效分量.nr值隨降噪深度的變化曲線如圖5所示.

從圖5可以看出，降噪效果的nr值隨深度的增大而增大，并且逐漸趨向1，在降噪深度為15時(shí)，nr值超過0.9，值隨深度的變化也趨于平緩，說明DVMD降噪方法在不同深度下，不僅有效地剔除了噪聲，而且保留了信號(hào)的有效分量.

圖5 不同深度下的降噪效果Fig.5 Noise reduction effect in different depths

DVMD降噪方法的原則是根據(jù)皮爾遜相關(guān)系數(shù)判斷出無(wú)關(guān)分量，將處在無(wú)關(guān)分量的噪聲剔除，再經(jīng)過重構(gòu)，再次分解后將有效分量的噪聲轉(zhuǎn)移至無(wú)關(guān)分量，實(shí)現(xiàn)噪聲的轉(zhuǎn)移.DVMD降噪前后分量的幅頻分布，如圖6所示.

圖6 各分量降噪前后對(duì)比Fig.6 Comparison of each component before and after denoising

對(duì)比圖6(a)(b)各模態(tài)的幅頻分布，從圖6(a)中可以看出，首次SSA-VMD分解得到的模態(tài)分量由于未經(jīng)過SVD降噪，因此噪聲混雜在各分量中，但是，經(jīng)過深度降噪后，圖6(b)各分量的幅頻分布更加明顯，因此信號(hào)表達(dá)特征的能力也得到增強(qiáng).

4 診斷試驗(yàn)

通過DVMD降噪方法對(duì)故障信號(hào)進(jìn)行預(yù)處理，提高信號(hào)表達(dá)自身故障信息的能力，從而提升故障診斷的精度.試驗(yàn)數(shù)據(jù)來(lái)自Spectra Quest公司生產(chǎn)的風(fēng)力渦輪傳動(dòng)系統(tǒng)診斷試驗(yàn)平臺(tái)，所使用的振動(dòng)信號(hào)分別為正常信號(hào)、缺齒信號(hào)、斷齒信號(hào)和裂齒信號(hào).為驗(yàn)證所提降噪方法能否提升信號(hào)在不同維度下表達(dá)特征信息的能力，通過傳統(tǒng)的特征提取方式和訓(xùn)練深度模型的特征提取方式，分別對(duì)所提方法的有益性進(jìn)行驗(yàn)證.故障診斷流程如圖7所示.

圖7 故障診斷流程Fig.7 The process of fault diagnosis

故障診斷過程如下: 首先，分別提取信號(hào)的多尺度排列熵特征或者時(shí)頻圖特征;然后按照一定比例將特征數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，再把訓(xùn)練集放入LightGBM分類器中進(jìn)行訓(xùn)練，得到用于故障診斷的模型，將測(cè)試集放入診斷模型，預(yù)測(cè)各測(cè)試集數(shù)據(jù)的故障類別;最后將測(cè)試集預(yù)測(cè)類別與真實(shí)類別進(jìn)行比對(duì)，得到模型的診斷精度.

4.1 DVMD降噪預(yù)處理

由于工業(yè)環(huán)境復(fù)雜，采集的工業(yè)信號(hào)包含大量噪聲，但是試驗(yàn)平臺(tái)采集的信號(hào)較為干凈，僅包含少量的噪聲，為了模擬更切合實(shí)際的工業(yè)環(huán)境，檢驗(yàn)本文DVMD降噪方法的效果，加入了信噪比為1的噪聲.考慮到降噪的效果與效率，降噪深度設(shè)置為20.降噪前后，4種試驗(yàn)信號(hào)的幅頻分布如圖8(a)和(b)所示.

從圖8可以看出，正常信號(hào)的幅頻在50 Hz附近較為明顯，當(dāng)齒輪發(fā)生單點(diǎn)局部損壞時(shí)，即缺齒、斷齒、裂齒等不同類型的損壞，其幅頻分布產(chǎn)生了不同程度的變化，例如，缺齒故障產(chǎn)生了周期性沖擊信號(hào)，沖擊幅頻分布在90 Hz附近.

通過圖8(a)不難看出，部分故障幅頻信息被噪聲所淹沒，進(jìn)而難以區(qū)分故障之間的差別，但是通過圖8(b)可以看出，經(jīng)過DVMD降噪后，不僅剔除了包含在信號(hào)中的噪聲，并且表達(dá)此類故障的幅頻信息變得更加明顯.

圖8 降噪前后頻譜Fig.8 Spectrum before and after denoising

4.2 基于MPE與LightGBM故障診斷

在本節(jié)診斷試驗(yàn)中，人工提取4種信號(hào)的多尺度排列熵特征，每種信號(hào)的樣本數(shù)量為100，特征尺度為21，降噪前后特征值隨尺度的變化如圖9(a)(b)所示.

降噪前MPE特征值變化如圖9(a)所示，4種信號(hào)的特征值變化整體呈下降趨勢(shì)，并且每一尺度下的不同特征值之間的距離較近，說明在噪聲的影響下，不同故障信號(hào)的差異被噪聲淹沒，導(dǎo)致故障特征的敏感性不高.但是經(jīng)過DVMD降噪后，MPE特征的變化如圖9(b)所示，從圖中可以看出，在不同尺度下，降噪后各故障特征值之間的距離變大.說明不同故障之間的差異更加明顯，進(jìn)而提高了特征的敏感程度.

圖9 MPE特征分布Fig.9 Distribution of MPE feature

本節(jié)取280組樣本作為訓(xùn)練數(shù)據(jù)集，取120組樣本作為測(cè)試數(shù)據(jù)集.由于MPE特征前10尺度的差異較大，對(duì)診斷效果的影響也較大，所以將前10個(gè)尺度下的訓(xùn)練集特征放入LightGBM分類器中進(jìn)行訓(xùn)練，診斷結(jié)果如圖10所示.

圖10(a)中，提取未降噪信號(hào)的MPE 特征，通過LightGBM 訓(xùn)練得到的診斷模型，診斷精度只有64.17%.圖10(b)中，信號(hào)經(jīng)過DVMD降噪后，分類器訓(xùn)練出的模型的診斷精度達(dá)到100%.通過試驗(yàn)結(jié)果可以得出，DVMD降噪方法對(duì)信號(hào)進(jìn)行預(yù)處理，顯著提升了模型的診斷精度，該方法應(yīng)用在基于傳統(tǒng)機(jī)器學(xué)習(xí)的故障診斷領(lǐng)域，具有一定的應(yīng)用潛力.

圖10 基于MPE的故障診斷結(jié)果Fig.10 The results of fault diagnosis based on MPE

4.3 基于深度學(xué)習(xí)模型與LightGBM的故障診斷

與傳統(tǒng)的特征提取方式不同，深度學(xué)習(xí)是根據(jù)大量信號(hào)樣本建立故障特征與類別的映射，實(shí)現(xiàn)對(duì)異常信號(hào)的診斷[22].因此，本節(jié)試驗(yàn)選取4000組信號(hào)樣本，其中2800組作為訓(xùn)練數(shù)據(jù)集，1200組作為測(cè)試數(shù)據(jù)集.深度學(xué)習(xí)模型通常是提取圖像的二維特征圖，通過“cmor”小波基[23]將降噪前后的信號(hào)轉(zhuǎn)換成時(shí)頻圖，如圖11所示.

受噪聲的影響，圖11(a)的時(shí)頻分布較為混亂，該圖能夠表達(dá)的故障時(shí)頻信息也較為模糊.經(jīng)過DVMD降噪處理后得到圖11(b)，圖11(b)的時(shí)頻信息分布有序，并且能夠較為清晰地表達(dá)故障的時(shí)頻信息.

圖11 信號(hào)的時(shí)頻圖Fig.11 The time-frequency diagrams of signal

使用Resnet，Efficientnet和Regnet深度學(xué)習(xí)模型分別提取時(shí)頻特征，通過LightGBM訓(xùn)練和預(yù)測(cè)得到各模型的診斷結(jié)果與精度，如圖12 和表1 所示.Resnet-LightGBM診斷模型的精度由90.75%提升至96.00%，Efficientnet-LightGBM 診斷模型的精度由95.25%提升至95.50%，Regnet-LightGBM 診斷模型的精度由83.58%提升至89.17%，通過試驗(yàn)結(jié)果可以得出，DVMD降噪方法提高了信號(hào)表達(dá)故障時(shí)頻信息的能力，所以所提降噪方法應(yīng)用在基于深度學(xué)習(xí)的故障診斷方面具有一定的實(shí)用價(jià)值.

表1 不同深度學(xué)習(xí)模型診斷結(jié)果對(duì)比Table 1 Comparison of diagnosis results of different deep learning models

圖12 基于深度學(xué)習(xí)模型的故障診斷結(jié)果Fig.12 The results of fault diagnosis based on deep learning model

通過上述試驗(yàn)可以看出，無(wú)論是通過傳統(tǒng)的人工特征提取方法，還是以“黑盒”的形式訓(xùn)練深度學(xué)習(xí)模型，振動(dòng)信號(hào)經(jīng)過DVMD降噪方法處理后，其表達(dá)自身故障信息的能力得到加強(qiáng)，該方法提升了故障診斷模型的泛化能力.

5 結(jié)論

本文基于深度變分模態(tài)分解DVMD降噪方法，實(shí)現(xiàn)了對(duì)振動(dòng)信號(hào)的深度降噪.通過對(duì)不同深度下的信號(hào)進(jìn)行降噪，驗(yàn)證了DVMD降噪方法能有效剔除混雜在信號(hào)中的噪聲，并且在降噪過程中具有良好的魯棒性.為驗(yàn)證所提降噪方法對(duì)故障診斷模型的影響，本文將所提方法應(yīng)用于傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法中，并在診斷效果方面進(jìn)行試驗(yàn)驗(yàn)證，驗(yàn)證結(jié)果表明，經(jīng)過DVMD降噪處理后，提取的樣本特征能夠提高診斷模型的泛化能力.因此，本文所提DVMD降噪方法作為一種信號(hào)處理方式，提高了信號(hào)表達(dá)自身信息的能力，故障診斷的效果進(jìn)一步提升，將該方法應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷具有一定的潛力和價(jià)值.