基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法

• 作者: 丁恩杰 俞啸 吴守鹏 王昕 范春旸 董飞
• 来源期刊: 机械传动
• 关键词: 经验模态分解 极限学习机 深度信念网络 滚动轴承 故障诊断
• 年，卷（期）: 2018,（6）
• 所属期刊栏目: 开发应用
• 页码范围: 157-163
• 页数: 7页
• 语种: 中文
• DOI: 10.16578/j.issn.1004.2539.2018.06.033

摘要

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型.首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法(Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别.通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率.