基于改进VMD与二维双向LSTM的船舶轴带发电机齿轮箱轴承智能故障诊断方法

为解决船舶轴带发电机齿轮箱轴承在强噪声环境下故障诊断精度低的问题，研究人员提出了一种结合改进变分模态分解（IVMD）与二维双向长短期记忆网络（2DBiLSTM）的智能诊断方法。通过自适应信号分解与时间-频率特征提取，模型实现了99.5%的故障识别准确率，显著提升了船舶电力系统的可靠性。

　　

船舶轴带发电机是船舶电力供应的核心设备，其齿轮箱轴承的故障会引发连锁反应，甚至导致全船瘫痪。然而，船舶机舱的高频噪声环境使得传统故障诊断方法准确率骤降，成为行业痛点。现有技术如经验模态分解（EMD）和卷积神经网络（CNN）存在模态混叠、边缘特征丢失等局限，难以满足复杂工况需求。

针对这一挑战，大连海事大学的研究团队在《Ocean Engineering》发表了一项突破性研究。他们创新性地将改进变分模态分解（IVMD）与二维双向长短期记忆网络（2DBiLSTM）相结合：首先通过IVMD自适应分解振动信号，利用特征阶次比（COR）指标筛选最优本征模态函数（IMF）；随后采用短时傅里叶变换（STFT）生成二维时频图；最终设计2DBiLSTM网络实现全局特征提取。实验表明，该方法在强噪声下仍能保持99.5%的准确率，远超传统方法。

关键技术方法
研究采用模拟船舶轴带发电机齿轮箱实验平台采集轴承振动数据。信号处理阶段，IVMD通过优化模态数避免过分解，结合COR指标自动筛选IMF；特征转换阶段，STFT将IMF转化为时频图像；模型构建阶段，2DBiLSTM通过双向递归结构同时捕捉时频图像的横向与纵向特征，解决了CNN边缘特征丢失问题。

研究结果
改进变分模态分解算法
IVMD通过迭代搜索最优IMF中心频率与带宽，其调制信号表达式为μ_k(t)=A_k(t)cos[?_k(t)]，相比传统VMD减少42%的模态选择误差。

提出的诊断模型
2DBiLSTM网络通过双向递归单元同步提取时频图像行列特征，在轴承外圈、滚动体等故障分类中，较传统BiLSTM提升23.7%的准确率。

实验验证
在模拟船舶工况的强噪声环境下（信噪比-5dB），IVMD-2DBiLSTM对六类故障的平均识别率达99.5%，比CNN-LSTM组合模型高8.2%，且训练时间缩短35%。

结论与意义
该研究首次将二维递归神经网络引入机械故障诊断领域，提出的IVMD-2DBiLSTM框架解决了强噪声干扰与图像边缘特征提取两大难题。其创新性体现在：1）COR指标驱动的自适应信号分解降低人工干预；2）2DBiLSTM突破传统CNN的滑动窗口限制；3）为船舶动力系统可靠性维护提供普适性方案。基金支持显示该研究受国家重点研发计划（2022YFB4301402）等国家级项目资助，具有明确的工程应用价值，未来可扩展至其他旋转机械故障诊断场景。