基于CEEMDAN-Hilbert-CNN的滾動軸承故障診斷

李雪穎,朱哈娜,劉慧明

(青島科技大學(xué)自動化與電子工程學(xué)院，山東 青島266061)

滾動軸承是旋轉(zhuǎn)機(jī)械中應(yīng)用最多但最易損壞的機(jī)器零件，其工作好壞直接影響機(jī)械的工作狀態(tài)。滾動軸承故障如果不能及時準(zhǔn)確地診斷，將會造成財(cái)產(chǎn)損失，人員傷亡等一系列嚴(yán)重的問題。因此對滾動軸承振動信號中的特征成分實(shí)現(xiàn)精確提取以及對故障特征的準(zhǔn)確分類是十分重要的[1]。近些年時頻分析、機(jī)器學(xué)習(xí)及深度學(xué)習(xí)被廣泛應(yīng)用于故障診斷[2-6]。1998年，HUANG等[7]提出了希爾伯特黃變換(Hilbert-Huang transform，H HT)。希爾伯特黃變換在處理非線性、非平穩(wěn)信號方面具有很大的優(yōu)越性，因而在故障診斷方面得到廣泛應(yīng)用。HHT包括經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)和希爾伯特變換(Hilbert transform)兩部分。盡管H HT在處理非線性、非穩(wěn)定信號方面存在很大的優(yōu)越性，但由于H HT存在模態(tài)混疊和端點(diǎn)效應(yīng)等諸多問題，易導(dǎo)致特征提取不準(zhǔn)確。為克服模態(tài)混疊的問題，HUANG等[8-10]基于白噪聲的統(tǒng)計(jì)特性引入了總體經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)，但是由于引入的白噪聲不能完全被消除易造成重構(gòu)誤差不具有完備性且計(jì)算量也比較大。為了抑制模態(tài)混疊排除白噪聲的干擾，2010年，HUANG等[11]提出向信號中添加2個相反的白噪聲的互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decomposition，CEEMD)，CEEMD方法消除了EEMD分解中添加白噪聲的影響，但是計(jì)算量變得更大。2011年，TORRES等[12]提出了一種自適應(yīng)噪聲的完備經(jīng)驗(yàn)?zāi)B(tài)分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)，與EEMD和CEEMD方法相比較，CEEMDAN不僅提高了分解的效果，改善了分解的完備性，還大大減少了計(jì)算量。2016年，GUO等[13]提出了一種自適應(yīng)深卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。……