针对传统基于音频信号的电动机故障诊断方法获取电动机音频信号特征信息不足和故障诊断精度不高的问题，提出了一种基于优化的变分模态分解（VMD）和卷积神经网络-双向长短期记忆（CNN-BiLSTM）的矿井电动机故障诊断方法。针对模态混叠和端点效应问题，采用鲸鱼算法（WOA）优化的VMD对电动机音频信号进行分解，将电动机音频信号分解为K个本征模态分量（IMF），经Pearson相关系数筛选后，提取主IMF分量的13维静态MFCC特征参数，为了获取信号的动态特征，提取13维静态MFCC的一阶差分和二阶差分系数，构成39维特征向量，从而把动、静态特征结合起来，提高故障诊断性能。为了提高故障诊断精度，在CNN中引入BiLSTM层，CNN在空间维度上提取音频信号的局部特征，BiLSTM在时间维度上保留音频信号的双向时间序列信息，捕获音频信号长距离依赖关系，从而最大程度保留全局和局部特征。实验结果表明：（1）VMD分解的每个IMF分量都具有独立的中心频率且分布均匀，且在频域上表现出稀疏性的特点，能够有效避免模态混叠问题；在IMF求解中，VMD分解通过镜像延拓的方式避免了经验模态分解（EMD）和集合经验模态分解（EEMD）中出现的端点效应问题。（2）基于13维静态MFCC特征的故障诊断准确率为97.5%，基于39维动静态MFCC特征比基于13维静态MFCC特征的故障诊断准确率提高1.11%。（3）基于CNN-BiLSTM诊断模型的准确率达到98.61%，与目前通用诊断模型CNN、BiLSTM和CNN-LSTM相比，准确率分别提高5.83%、4.17%和3.89%。

0 引言
1 音频信号特征提取
1.1 WOA优化VMD
1.2 MFCC特征提取
2 故障诊断模型及优化
2.1 BiLSTM模型优化CNN
2.2 模型结构参数
3 实验与分析
3.1 数据采集
3.2 基于VMD和MFCC特征提取
3.3 模型性能对比
4 结论

李敬兆,何娜,张金伟等.基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法[J/OL].工矿自动化:1-10[2023-08-08].DOI:10.13272/j.issn.1671-251x.2022120065.