利用EEMD和深度置信网络的滚动轴承故障诊断方法

摘要

结合滚动轴承振动信号的非线性特点，开展基于EEMD和深度置信网络(deep belief network, DBN)的滚动轴承故障诊断方法研究。应用EEMD对信号进行分解后，结合相关系数与峭度分析完成信号重构，构建加速度-速度矩阵作为DBN模型输入，实现滚动轴承不同故障类型及其损伤程度的诊断预测。研究过程中对模型泛化能力、层特征提取能力、模型分析结果和分析效率等方面进行了对比分析，对原始数据、加速度-速度矩阵、相图作为DBN模型输入的诊断效果进行了对比分析，同时进行了SVM、XGboost、ResNet、DBN不同网络模型的对比分析。分析结果表明，利用EEMD进行信号处理并构建加速度-速度矩阵作为DBN模型输入可以有效实现滚动轴承的不同故障类型和故障损伤程度的诊断，诊断平均准确率达到97.23%。此模型可为轴承状态监测与智能故障诊断技术的工程应用提供参考。

关键词

深度置信网络 / 滚动轴承 / 故障诊断 / 状态评价

基金资助

国家自然科学基金项目(51975058);; 北京信息科技大学勤信人才项目(QXTCPC202120);; 北京市科学技术概念验证项目(20220481077)