基于EEMD包络谱和JS-SDAE的轴承故障诊断

摘要

针对滚动轴承不同损伤位置与程度的多状态识别困难问题，提出了一种基于EEMD包络谱和JS—SDAE的轴承故障诊断方法。首先，利用EEMD将轴承信号分解，保留与原信号高相关的本征模态函数；其次，用所选分量的包络谱构建高维特征作为网络的输入；最后，降维后输入经人工水母优化算法结构优化后的SDAE,完成轴承多类别故障识别。试验表明，将10类特征数据输入SDAE进行学习后，EEMD包络谱相比时域信号更能体现出故障特征，且JS-SDAE网络相比决策树、贝叶斯、网格搜索优化贝叶斯、SVM、贝叶斯优化SVM、KNN、贝叶斯优化KNN等算法具有更高的准确性。采用QPZZ-Ⅱ系统采集实验平台所采集的数据进行验证，结果表明模型测试集的准确率达到了96.7%。

关键词

故障诊断 / 集成经验模态分解 / 特征提取 / 堆叠降噪自编码器 / 超参优化