基于改进的形态学滤波和EEMD方法的滚动轴承故障诊断

一种改进的EEMD算法及其在滚动轴承故障诊断中的应用李亚超;刘政;马增强【摘要】With its adaptability and anti-aliasing,Ensemble Empirical Mode Decomposition(EEMD)is used widely in rolling bearing fault diagnosis.In order to solve the problem that the parameters of ensemble empirical mode decomposition(EEMD)is difficult to obtain,a method for fault diagnosis of rolling bearing based on modified EEMD and Teager energy operator is proposed.Firstly,the fault signal is preprocessed,the added white noise magnitude and the ensemble times is obtained.Then the fault signal is decomposed into several intrinsic mode function(IMF)by modified EEMD,and the IMF of biggest kurtosis is selected with Kurtosis Criterion and demodulated into Teager energy spectrum with Teager energy operator.Finally,the working status and fault type of rolling bearings is identified through the energy spectrum.The proposed method is applied to simulated signals and actual signals.The results show that the method could extract the weak feature frequency information of incipient fault of rolling bearing effectively.%总体经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用.针对总体经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法.首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数.之后对信号进行EEMD分解,得到若干个本征模态分量(Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型.将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性.【期刊名称】《石家庄铁道大学学报（自然科学版）》【年(卷),期】2016(029)004【总页数】6页(P66-71)【关键词】滚动轴承;EEMD;Teager能量算子;故障诊断【作者】李亚超;刘政;马增强【作者单位】南车青岛四方机车车辆股份有限公司,山东青岛 266111;石家庄铁道大学电气与电子工程学院,河北石家庄 050043;石家庄铁道大学电气与电子工程学院,河北石家庄 050043;石家庄铁道大学电气与电子工程学院,河北石家庄050043【正文语种】中文【中图分类】TH165+.3滚动轴承是旋转机械中应用最为广泛、也是最容易损坏的零件之一。

基于svm和emd包络谱的滚动轴承故障诊断方法基于SVM（支持向量机）和EMD（经验模态分解）包络谱的滚动轴承故障诊断方法是一种常用的故障预测和诊断方法。

该方法结合了SVM和EMD的优点，可以有效地提高滚动轴承的诊断准确性和鲁棒性。

滚动轴承是机械设备中常见的关键元件之一，其正常运行对设备的可靠性和工作效率至关重要。

然而，由于工作条件的复杂性和机械磨损等因素，滚动轴承容易出现故障。

因此，开发一种可靠的滚动轴承故障诊断方法对于预防设备故障和提高设备可靠性具有重要意义。

SVM是一种基于统计学习理论的监督学习算法，可用于分类和回归问题。

其核心思想是构建一个能够将样本数据有效划分到不同类别的超平面。

在滚动轴承故障诊断中，可以使用SVM对不同工作状态下采集的特征数据进行分类，进而判断轴承是否存在故障。

然而，传统的SVM方法存在以下问题：一是难以处理高维特征数据，滚动轴承故障诊断常常涉及到大量的振动数据；二是难以处理非线性特征数据，滚动轴承的振动信号一般具有非线性特征。

为了克服这些问题，可以引入EMD包络谱分析方法。

EMD是一种基于信号的同态分解方法，可以将非线性和非平稳信号分解成一组称为固有模态函数（IMF）的分量。

EMD分解可以提取出滚动轴承振动信号中的故障特征，并将其转化为能量谱。

然后，可以对能量谱进行特征提取，得到一组能够反映滚动轴承状态的特征向量。

在基于SVM和EMD包络谱的滚动轴承故障诊断方法中，首先对滚动轴承振动信号进行EMD包络谱分析，得到能量谱。

然后，从能量谱中提取特征向量。

特征向量可以包括幅值特征、频率特征、谱形特征等。

接下来，将提取的特征向量输入至SVM分类器中，对滚动轴承的故障状态进行分类。

最后，根据分类结果，可以判断轴承是否存在故障，并进行后续的维护和修复工作。

该方法的优点是能够有效地处理高维和非线性特征数据，提高了滚动轴承故障诊断的准确性和鲁棒性。

同时，EMD包络谱分析方法具有较好的时频分辨能力，能够准确地提取出滚动轴承振动信号中的故障特征。

基于EEMD和改进VPMCD的滚动轴承故障诊断方法作者：程军圣马利潘海洋杨宇来源：《湖南大学学报·自然科学版》2014年第10期基金项目：国家自然科学基金资助项目（51175158，51075131）；湖南省自然科学基金资助项目（11JJ2026）作者简介：程军圣（1968-），男，湖南永州人，湖南大学教授，博士通讯联系人，Email：signalp@（湖南大学机械与运载工程学院，湖南长沙 410082）摘要：针对原VPMCD方法在参数估计过程中存在的缺陷，用BP神经网络非线性回归方法代替原方法中的最小二乘法，解决了最小二乘法中存在的病态问题，因此，提出了改进多变量预测模型（Variable predictive mode based class discriminate，简称VPMCD）的滚动轴承故障诊断方法.首先采用总体经验模态分解（Ensemble empirical mode decomposition，简称EEMD）方法对滚动轴承振动信号进行分解得到若干个单分量信号，然后提取各分量奇异值组成特征向量作为改进VPMCD的输入，最后对滚动轴承工作状态和故障类型进行识别.实验结果表明，该方法能够有效地应用于滚动轴承故障诊断.关键词：改进VPMCD；EEMD方法；奇异值分解；滚动轴承；故障诊断中图分类号：TH165.3；TH132.41对于旋转机械的故障诊断，本质上是对旋转机械振动信号的模式识别过程＼[1＼].目前应用较为广泛的模式识别方法为神经网络和支持向量机，但是这两种方法仍存在一定的缺陷＼[2-3＼]，尤其值得指出的是，这两种分类器都忽略了所提取特征值之间的内在关系.然而，在机械故障诊断中，所有或部分特征值之间大都具有一定的内在关系，而且这种内在关系在不同的系统或类别（相同的系统在不同的工作状态下）间具有明显的不同.近年来，一种新的模式识别方法——基于多变量预测模型的模式识别（Variable Predictive Mode based Class Discriminate，简称VPMCD）方法由Raghuraj与Lakshminarayanan提出.该方法通过充分利用从原始数据中所提取的特征值之间的相互内在关系来建立数学模型，并采用各种样本特征值对模型参数进行估计，从而得到不同类型的预测模型，最终采用预测模型对测试样本进行分类＼[4-5＼].在VPMCD方法中，建立数学模型的核心是对模型参数的估计，这会直接影响到预测模型的分类效果和精度.原VPMCD方法采用最小二乘线性参数估计方法对模型参数进行估计，但是最小二乘线性估计方法是建立在回归模型同方差性基础上的，这与在实际应用中回归模型存在异方差性这一事实相悖，因而采用最小二乘线性估计方法会导致回归分析的正则方程出现病态现象，使得到的模型的回归系数与理想的回归系数间存在较大的偏差.另外，当预测变量数目增加时，变量间的线性相关性也相应增加，所得到的预测模型的拟合性变差，从而降低了预测模型的分类效果和分类精度＼[6＼].鉴于最小二乘线性参数估计存在的缺陷，本文对VPMCD方法进行改进，采用BP神经网络非线性回归拟合出模型参数，克服了最小二乘线性回归的缺点，对VPMCD的模型参数估计更加准确，从而提高了预测模型的分类效果和精度.与原VPMCD中最小二乘线性拟合具有明确的映射数学表达的概念不同，改进VPMCD方法中用于估计模型参数的BP神经网络非线性回归方法是通过BP神经网络对输入样本进行学习训练，当BP神经网络训练完成后，其网络结构F就代表了最小二乘回归中的具体映射关系XY.在改进VPMCD方法中，非线性回归过程不能通过简明的数学公式表达，但是它却代表了更加复杂的映射关系.即当有一自变量X输入时，就会产生一因变量输出Y＼[7＼].通过BP神经网络的结构参数选择，可以非线性拟合出VPMCD中的模型参数，同时由改进VPMCD方法得到的模型类型和模型阶次也具有适应性，提高了模型参数估计的准确性.改进VPMCD方法将BP神经网络和VPMCD相结合，即用BP神经网络非线性回归方法代替原方法中的最小二乘法进行参数估计，消除了预测变量间存在多重线性相关性的影响，从而在一定程度上提高预测模型的分类效果和精度.为检验改进VPMCD方法的有效性，将改进VPMCD方法与原VPMCD方法进行对比，对实验数据的分析表明，改进VPMCD方法可有效地应用于滚动轴承的故障诊断.1 改进VPMCD方法的基本原理VPMCD方法是一种基于变量预测模型的模式识别方法，它充分利用从原始数据中所提取的特征值之间的内在关系建立数学模型，并采用各类样本数据对数学模型参数进行估计，从而得到不同类别的预测模型，以此对测试样本进行分类，也就是以同一类别下所有特征值的预测误差平方和值最小为判别函数，最后对测试样本的故障类型和工作状态进行分类.在滚动轴承的故障诊断中，通常采用p个不同的特征值X=[X1，X2，…，Xp]来描述一个故障类别，利用BP神经网络非线性回归得到的模型参数b0，bj，bjj，bjk建立数学模型，再采用特征值Xj（j≠i）对Xi进行预测，得到：在原VPMCD方法中，采用最小二乘法对预测模型进行参数估计，它是建立在回归模型同方差性的基础上的，但是由于在滚动轴承的故障诊断中，所采集到的振动信号是非平稳非线性的复杂多分量信号，导致预测变量之间的线性相关性显著增加，最终会使估计的模型参数存在不稳定性，并降低预测模型的识别精度和分类效果.本文将BP神经网络应用于VPMCD中，即用BP神经网络的非线性回归估计VPMCD中的模型参数.BP神经网络的回归通过非线性拟合得出模型参数，克服了复共线性的影响，得到更加准确的模型参数，进而建立数学预测模型，得到不同类别的预测模型对测试样本进行分类，把预测结果作为分类依据，进一步进行模式识别.1.1 改进VPMCD模型的训练1）对g类故障分类问题，收集n个训练样本，取每一类故障样本数为n1，n2，…，ng.2）提取所有的训练样本特征值X=[X1，X2，…，Xp].3）对任意特征值Xi，选择模型类别、模型阶数以及预测变量.4）令k=1，对nk个第k类训练样本中的任意一个样本，对每一个特征值Xi建立其数学模型，所以对每一个特征值Xi都可以建立nk个数学方程，然后利用BP神经网络非线性回归对模型参数b0，bj，bjj，bjk进行参数估计，最后得到特征值Xi的变量预测模型VPMi.5）令k=k+1，循环步骤④，直至k=g时结束.6）对所有故障下的所有特征值分别建立预测模型VPMki，其中i=1，2，…，p代表不同的特征值，k=1，2，…，g代表不同类别.1.2 改进VPMCD模型的分类1）选取信号的测试样本，提取其特征值X=[X1，X2，…，Xp].2）对测试样本的所有特征值Xi，分别采用模型∑pi=1（Xi-ki）2，（k=1，2，…，g）对其进行预测，因而得到测试样本的预测值ik，其中i=1，2，…，p代表不同的特征值，k=1，2，…，g代表不同类别.3）计算同一类别下所有特征值Xi的预测误差平方和值∑pi=1（Xi-ik）2（k=1，2，…，g），并以∑pi=1（Xi-ik）2最小为判别函数对测试样本进行分类，当在g个预测误差平方和值中∑pi=1（Xi-ik）2为最小值时，即将此测试样本识别为第k类.2 基于EEMD和改进VPMCD的滚动轴承故障诊断方法在故障诊断中，故障特征的提取也是一个关键环节.滚动轴承的故障诊断中所采集到的振动信号多为非平稳非线性信号，因此如何从原始信号中提取到故障特征信息是故障诊断的关键.总体经验模态分解（Ensemble empirical mode decomposition，简称EEMD）方法能够自适应地将振动信号分解为若干瞬时频率具有物理意义的平稳单分量信号之和，并且在迭代次数、端点效应、模态混淆等方面优于EMD等方法＼[8-9＼].本文首先通过对振动信号进行EEMD分解，得到在频率成分上相互独立的若干IMF分量，接着对若干IMF分量组成的矩阵进行奇异值分解（SVD），根据矩阵论，奇异值是矩阵的固有特征，并且具有良好的稳定性，同时矩阵奇异值具有比例不变性和旋转不变性.因此，矩阵奇异值符合在模式识别中特征提取时所要满足的稳定性及比例、旋转不变性的要求，从而能够有效地描述初始特征向量的特征＼[10＼].但是，在不同故障类型和不同工作状态下，由相应的若干个IMF分量构成的矩阵存在着某种联系，因此进行奇异值分解后得到的对角阵中的非负递减的奇异值作为改进VPMCD的特征值，这些特征值之间必然也存在着相互内在联系，所以可以把得到的奇异值作为改进VPMCD的输入向量进行模式识别，进而判断出故障类型和工作状态.基于EEMD和改进VPMCD的滚动轴承的故障诊断方法步骤如下：1）以采样率fs在一定转速下对滚动轴承正常、内圈故障、外圈故障3种状态进行采样，每种状态采集N个样本；2）采用EEMD方法对振动原始信号进行分解，得到若干个固有模态分量（IMF）.3）提取前i个包含主要故障信息的IMF分量并进行奇异值分解，得到奇异值矩阵作为特征向量，每种状态下得到N×i阶的特征值矩阵.4）每种状态取n个样本作为训练样本，将特征向量输入到改进VPMCD分类器中对其进行训练，建立预测模型VPMki，其中k=1，2，…，g代表不同类别，i=1，2，…，p代表不同的特征值.5）将剩下的样本作为测试样本，用训练好的预测模型对测试样本进行分类，根据改进VPMCD分类器的输出结果来确定滚动轴承的工作状态和故障类型.3 实验分析滚动轴承在长期运行过程中通常会出现内圈故障、外圈故障和滚动体故障，为了验证改进VPMCD方法的有效性，本文采用湖南大学现场实际数据，通过激光切割方法分别在滚动轴承的内圈和外圈上开槽来模拟内圈故障和外圈故障，滚动轴承故障实验参数见表1.由于实验条件的限制而未能在滚动体上设置故障.图1所示为滚动轴承故障实验装置，振动信号由轴承座上的加速度传感器采集，调速电动机为直流伺服电机，功率为600 W.EEMD方法将采集到的滚动轴承的振动信号分解为从高到低不同频率段的单分量信号，由于滚动轴承故障振动信号的故障信息主要集中在高频段，所以选择前4个IMF分量组成矩阵，再计算相应的奇异值矩阵作为改进VPMCD的输入特征向量进行故障诊断.在本文中选取滚动轴承正常状态、外圈故障和内圈故障的振动信号各100组数据，在正常样本和其余两类故障样本数据中各随机抽取40组数据作为训练样本数据，将剩下的60组数据作为测试样本代入改进VPMCD预测模型进行分类，并且取得了较好的分类结果，正确识别率达到100%，同时与原VPMCD方法进行比较.表2中列出了两种分类器的识别率.从表2可看出，改进VPMCD比原VPMCD具有更好的分类效果和更高的识别率，虽然在正常状态下两种方法的识别率都达到了100%，但是在内圈故障和外圈故障状态下，改进VPMCD的识别率有了较大提高，均达到了100%，而原VPMCD对内圈和外圈的识别率分别为91.67%和95.00%，因此，改进VPMCD对滚动轴承的故障诊断具有明显的效果.另外，基于VPMCD的基本原理是通过样本训练，找到最小误差平方和所对应的模型类型和模型阶数，并且把对应状态下的模型类型和模型阶数作为最优模型类型和最佳模型阶数，再对样本进行测试分类，对比在两种分类器下通过训练得到各变量的最佳模型阶数和模型类型，见表3和表4.表3和表4中的预测模型类型和模型阶数都是以最小预测误差平方和作为判别依据得到的.从两表中可看出，原VPMCD方法通过训练得到的都是3阶二次交互模型，缺乏适应性；而改进VPMCD方法通过训练得到的预测模型类型和模型阶数随着被预测变量和状态的不同而不同，具有很强的适应性.这是因为原VPMCD方法用最小二乘估计时认为随着变量数目的增加，由估计所得的模型拟合性应该更好.但是随着预测变量的增加，变量间的线性相关性也相应增加了，这样反而有可能降低估计精度.对于改进VPMCD，选定BP神经网络的非线性回归算法，用BP神经网络回归拟合出被测变量，从而克服了被测样本数增加导致变量的线性相关性增加、使拟合精度降低这一缺点.4 结论在原VPMCD方法中，预测模型的分类效果和识别精度仍需提高.本文提出了基于EEMD 和改进VPMCD的滚动轴承的故障诊断方法，并在实际应用中取得了显著的效果.1）改进VPMCD方法采用BP神经网络的非线性回归估计原VPMCD中的模型参数，避免了采用最小二乘线性算法对模型参数估计的缺陷，然后依据特征值之间的相互内在关系建立不同类型的预测模型，并在一定程度上提高了预测模型的分类效果和识别精度.2）在改进VPMCD方法中，预测模型类型和模型阶数具有很强的适应性，与原始VPMCD方法中缺乏适应性形成对比，得到了更加准确的模型参数.3）对滚动轴承的故障振动信号的分析结果表明， EEMD和改进VPMCD相结合的滚动轴承故障诊断方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类，从而为滚动轴承的故障诊断提供了一种新的智能识别方法.参考文献[1] 温熙森.模式识别与状态监控＼[M＼].北京：科学出版社，2007：23-39.WEN Xisen. Pattern recognition and condition monitoring ＼[M＼]. Beijing：Science Press，2007：23-39.（In Chinese）[2] WANG Huaqing，CHEN Peng.Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network＼[J＼].Computer & Industrial Engineering，2011， 60（4）： 511-518.[3] FEI Shengwei，ZHANG Xiaobin. Fault diagnosis of power transformer based on support vector machine with genetic algorithm＼[J＼].Expert Systems with Applications， 2009， 36（8）： 11352-11357.[4] RAGHURAJ R， LAKSHMINARAYANAN S. Variable predictive models—a new multivariate classification approach for pattern recognition applications＼[J＼].Pattern Recognition，2009，42（1）：7-16.[5] RAGHURAJ R， LAKSHMINARAYANAN S. Variable predictive model based classification algorithm for effective separation of protein structural classes＼[J＼].Computational Biology and Chemistry，2008， 32（4）：302-306.[6] LONG J S， ERVIN L H. Using hetetoscedasticity consistent standard errors in the linear regression model ＼[J＼]. The American Statistician，2000，54（3）：217-224.[7] SHEELA K G， DEEPA S N. Neural network based hybrid computing model for wind speed prediction＼[J＼]. Neurocomputing， 2013，122（25）： 425-429.[8] WANG Tong， ZHANG Mingcai，YU Qihao， et al. Comparing the applications of EMD and EEMD on timefrequency analysis of seismic signal＼[J＼]. Journal of Applied Geophysics，2012，83（1）：29-34.[9] WANG Xia， LIU Changwen， BI Fengrong. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMDfractal dimension＼[J＼]. Mechanical Systems and Signal Processing， 2013， 41（1/2）： 581-597.[10] JIANG Yonghua， TANG Baoping， QIN Yi， et al. Feature extraction method of wind turbine based on adaptive Morlet wavelet and SVD＼[J＼] .Renewable Energy， 2011，36（8）：2146-2153.。

Journal of Mechanical Strength H i ^ % &2020, 42(5) ：1033-1038DOI：10. 16579/j.issn. 1001. 9669.2020.05.003基于EEMD-CNN的滚动轴承故障诊断方法* FAULT DIAGNOSIS METHOD OF ROLLING BEARING BASED ONEEMD-CNN李思琦“蒋志坚…(北京建筑大学电信学院，北京100044 )LI SiQi JIANG ZhiJian(School of Electrical and Information Engineering,Beijing University of Civil Engineering and Architecture,Beijing 100044, China)摘要为了提高滚动轴承故障诊断的准确性，提出了基于集合经验模态分解（Ensemble Empirical Mode Deramposition, EKMD)与卷积神经网络（Convolution Neural Networks,CNN)的故障诊断方法。

首先使用EEMD对信号进行分解，并根据相关系数以及峭度值选取适当的本征模态函数（Intrinsic Mode Kum_tkm,IMF)进行信号重构。

对重构信号进行一系列指标计算后使用卷积神经网络以及多种方法进行故障诊断。

结果表明，所使用的方法能够有效地进行故障诊断，准确率可达％. 7% ,在实际中有着一定的应用意义。

关键词集合经验模态分解卷积神经网络故障诊断机器学习中图分类号TH133.3Abstract In order to improve the rolling bearing fault diagnosis accuracy, this paper presents a fault diagnosis method based on Ensemble H^mpirical Mode Decomposition (EEMD) and Convolution Neural Networks (CNN). At first, using the EEMD decompose the signal. After that, choose appropriate IMFs according to the correlation coefficent and kurtosis calculating results to reconstruct the signal. After calculating a series of indexes of reconstructed signals, using CNN and various methods to diagnose faults. The results shows that the method used in this paper can effectively cany out fault diagnosis.The accuracy can reach 96. 7%. It has certain application significance to fault diagnosis.Key words Ensemble empirical mode decomposition；Convolution neural network；Fault diagnosis；Machine learningCorresponding author ：LI SiQi, E-mail：bucealisiqi@, Fax ： +86-10-6832211 1The project supported by the National Natural Science Foundation of China ( No. 71601013), and the Beijing Municipal Natural Science Foundation ( No.4174087) , and the BUCEA Post Graduate Innovation Project( No.PG2019073) Manuscript received 20190505,in revised form 20190624.引言对滚动轴承进行故障诊断的过程中，由于受到噪 声信号的干扰，因此诊断的准确性往往不尽如人意。

EEMD和优化的频带熵应用于轴承故障特征提取随着工业发展和机械制造业的进步，轴承作为机械传动装置的核心组件，在机械设备中扮演着重要角色。

轴承寿命直接关系到机械设备的运转稳定性和工作寿命。

轴承在不断地高速旋转中，受到外部载荷和温度等因素的影响而导致轴承的故障，严重影响了机械设备的正常运行。

因此，轴承故障的特征提取和预测具有重要意义。

频域特征是轴承故障诊断中常用的特征提取方法。

一直以来，离散小波变换（DWT）被广泛应用于轴承信号的特征提取。

然而，DWT对噪声和高频信号的分辨率不够高，同时分解信号在不同频带上能量分布不均匀，影响了轴承信号的识别准确度。

为了提高轴承信号特征提取的准确度，基于轴承信号本身的特点，本文采用了经验模态分解（EEMD）和优化的频带熵（OBE）相结合的方法进行轴承故障特征提取。

EEMD 是一种数据自适应、局部特征量化的信号分解方法，它具有比DWT更高的频域分辨率和更强的抑制高频噪声的能力。

EEMD将原始信号分解成多条固有模态函数（IMF），并在每个 IMF 上进行 Hilbert 变换得到多个带通滤波器，再计算每个滤波器的虚部能量，从而得到对应的频域特征量。

OBE 是一种优化方法，用于确定数据序列在不同频段的统计熵移位参数优化值。

通过将 OBE 应用到 EEMD 得到的频域信号中，可以获得每个频段的熵权值，用于指导特征提取。

本文针对三种常见的轴承故障类型（内环故障、外环故障和滚动体故障），分析了信号的频域特征，并通过EEMD和OBE相结合的方法实现了轴承故障的特征提取。

实验结果表明，该方法能够明显地提高故障识别的准确度，并且具有较好的抗噪能力。

总之，EEMD和OBE相结合的方法在轴承故障诊断中具有良好的应用前景。

本文的研究结果对于机械故障诊断领域的发展具有一定的参考价值。

基于深度学习的滚动轴承故障诊断方法摘要：滚动轴承是机械传动系统的重要部件，其故障会严重影响整个机械系统的运转稳定性和使用寿命。

如何快速、准确地检测滚动轴承的故障，对于保障机械系统的安全运转具有重要意义。

传统的滚动轴承故障诊断方法不仅需要人工经验，而且对测量条件很敏感，存在一定的局限性。

本文提出了一种基于深度学习的滚动轴承故障诊断方法，该方法将深度卷积神经网络（CNN）应用于滚动轴承振动信号的分类识别。

首先，搭建了一个基于深度学习的滚动轴承故障诊断模型。

该模型利用传统的滚动轴承振动信号特征和深度学习的特征提取能力，对滚动轴承运行状态进行分类，具有快速识别和精准辨别的优势。

其次，通过实验数据的模拟和测试，验证了基于深度学习的滚动轴承故障诊断方法的准确性和可行性。

结果表明，该方法能够有效地诊断多种滚动轴承的故障类型，具有广泛的应用前景。

关键词：滚动轴承，故障诊断，深度学习，卷积神经网络，振动信号一、引言滚动轴承是各种传动系统中最常用的传动部件之一，广泛应用于机械、航空、汽车和工业领域。

随着和机械系统的应用越来越广泛，因滚动轴承引起的故障问题也日益严重。

在滚动轴承运行的过程中，存在着多种故障类型，如疲劳、碎裂、过热等，这些故障常常会导致机械系统的不稳定和损坏，严重影响到机械系统的运行效率和使用寿命。

为了及时发现和排除滚动轴承的故障，提高机械系统的可靠性，一直是机械工程领域的研究热点。

传统的滚动轴承故障诊断方法主要包括振动分析法、声学分析法、温度分析法等，这些方法需要综合利用机械学、信号处理和模式识别等多学科知识，还需要大量的人工经验和处理时间，对测量条件也很敏感。

近年来，随着深度学习技术的发展，为滚动轴承故障诊断提供了新的研究思路。

基于深度学习的滚动轴承故障诊断方法不仅可以自动提取数据特征，而且具有快速识别和精准辨别的优势。

本文提出的基于深度学习的滚动轴承故障诊断方法，将深度卷积神经网络（CNN）应用于滚动轴承振动信号的分类识别，具有简单、快速、准确的特点。

EEMD和优化的频带熵应用于轴承故障特征提取李华刘韬伍星陈庆关键词：故障诊断;滚动轴承;集合经验模态分解;频带熵;包络峭度引言滚动轴承是旋转机械的重要组成部分，对滚动轴承的状态监测与故障诊断一直是机械设备故障诊断的热点和难点。

当滚动轴承发生故障时，其振动信号包含了大量的运行状态信息，表现为非平稳性和多分量性的调制信号，特别在故障早期，由于调制源弱，早期故障信号微弱，并且受周围设备、环境的噪声干扰，导致故障特征频率难以提取、识别。

故障诊断的关键是从原始信号中提取故障特征信号（故障特征频率）。

Huang等提出了经验模态分解（EMD），此方法具有自适应分解特性，对非平稳和非线性信号的处理具有较高的效率。

因此，基于EMD的故障诊断方法层出不穷，高强等将EMD应用于轴承故障诊断。

但EMD存在模态混叠等不足。

为了抑制模态混叠问题，wu和Huang提出了集合经验模态分解（EEMD），有效地抑制了EMD的模态混叠现象。

针对EEMD的降噪效果，学者做了相关研究。

Li等提出了基于EEMD和HHT相结合的滚动轴承故障诊断方法。

周智等口。

提出了EEMD自适应消噪和谱峭度相结合的方法。

郑直等提出了一种基于EEMD、形态谱特征提取和核模糊c均值聚类（KFcMc）集成的故障诊断方法。

针对EEMD的敏感IMF分量的选取，学者同样进行了相关研究。

胡爱军等将EE-MD与峭度准则结合，利用峭度最大准则选取EEMD的IMF分量。

蒋超等提出了基于快速谱峭度图的EEMD的IMF分量选取方法。

Li等提出了利用自适应共振（AR）选取敏感IMF分量的方法。

还有许多EEMD应用的文献，这里不再赘述。

当滚动轴承发生故障时，由于振动信号表现出的幅值调制特性，通过包络分析可以得到轴承的故障特征频率。

本文将基于EEMD和优化的频带熵的自适应滤波技术相结合的方法，应用于滚动轴承的故障特征提取，并提出了基于频带熵的IMF选取方法。

首先，对原信号进行EEMD分解，获取一系列IMF分量;然后，对原信号和各个IMF分量求频带熵，在熵值最小处设计带通滤波器，其带宽作为特征频带，比较各个IMF的特征频带与原信号熵最小值所处频带之问的从属关系，进而选出反映故障特征的敏感IMF;接着，对选取的IMF分量进行基于FBE的带通滤波（其带宽参数依据包络峭度最大值原则进行优化）;最后，对滤波信号进行包络功率谱分析，提取出轴承故障特征频率。

基于svm和emd包络谱的滚动轴承故障诊断方法
基于SVM（支持向量机）和EMD（经验模态分解）包络谱的滚动轴承
故障诊断方法是一种用于预测滚动轴承可能存在的故障的方法。

此方法结
合了两种技术的优势，提高了故障诊断的准确性和可靠性。

滚动轴承是机械设备中常见的关键部件之一，其故障可能会导致设备
停机和工作效率下降。

因此，及时准确地诊断滚动轴承的故障是非常关键的。

传统的故障诊断方法存在一些限制，如特征提取比较困难、易受噪声
干扰等。

而基于SVM和EMD包络谱的方法则能够有效解决这些问题。

首先，该方法使用EMD将滚动轴承信号分解成一系列的本征模态函数（IMF），通过提取IMF中的包络谱特征来描述滚动轴承的振动特性。

包
络谱是滚动轴承中故障特征的重要表现形式，可以反映故障频率和振幅。

因此，通过分析包络谱特征，可以准确地识别滚动轴承的故障。

这种基于SVM和EMD包络谱的滚动轴承故障诊断方法具有几个优点。

首先，EMD可以将滚动轴承信号进行有效的分解，提取出包络谱特征，从
而实现滚动轴承的故障诊断。

其次，SVM是一种强大的分类方法，具有很
好的泛化能力和鲁棒性，可以准确地对滚动轴承进行故障分类。

最后，该
方法可以在噪声干扰下实现准确的故障诊断，提高了滚动轴承故障诊断的
可靠性。

总之，基于SVM和EMD包络谱的滚动轴承故障诊断方法是一种有效的
预测滚动轴承故障的方法。

通过结合SVM和EMD的优势，该方法可以提高
故障诊断的准确性和可靠性，为滚动轴承的维修和保养提供了有效的参考。

基于自适应数学形态学的滚动轴承故障诊断方法自适应数学形态学是一种常用的图像处理技术，可用于滚动轴承故障诊断。

该方法基于图像的自适应滤波和形态学操作，可以对滚动轴承的振动信号进行滤波和形态学处理，从而提取出滚动轴承故障的特征信息。

具体步骤如下:
1. 振动信号的采集和处理：使用传感器采集滚动轴承的振动信号，并将其转换为数字信号进行处理。

2. 图像的预处理：将采集到的振动信号转换为灰度图像，并对图像进行去噪处理，以减少噪声对故障诊断的影响。

3. 形态学处理：使用形态学操作，如膨胀、腐蚀、开运算、闭运算等，对灰度图像进行处理，以提取出滚动轴承故障的特征信息。

4. 故障分类：使用机器学习算法，如支持向量机、神经网络等，对形态学处理的图像进行分类，以判断滚动轴承是否存在故障。

基于自适应数学形态学的滚动轴承故障诊断方法具有以下优点: 1. 高可靠性：该方法能够提取出滚动轴承故障的特征信息，具有较高的诊断准确率。

2. 高效率：该方法不需要对图像进行大规模的处理，因此能够快速地进行故障诊断。

3. 适应性强：该方法能够适应不同型号的滚动轴承，以及对不同强度的故障进行诊断。

总结起来，基于自适应数学形态学的滚动轴承故障诊断方法是一种高效、准确、适应性强的诊断方法，适用于各种类型的滚动轴承故
障诊断。

基于改进EMD和形态滤波的滚动轴承故障诊断
文成;周传德
【期刊名称】《中国测试》
【年(卷),期】2016(042)001
【摘要】针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法.该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息.信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断.实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断.
【总页数】5页(P121-125)
【作者】文成;周传德
【作者单位】重庆科技学院机械与动力工程学院,重庆401331;重庆科技学院机械与动力工程学院,重庆401331
【正文语种】中文
【相关文献】
1.基于峭度准则 EEMD 及改进形态滤波方法的轴承故障诊断 [J], 吴小涛;杨锰;袁晓辉;龚廷恺
2.基于EEMD和改进的形态滤波方法的轴承故障诊断研究 [J], 沈长青;谢伟达;朱忠奎;刘方;黄伟国;孔凡让
3.基于相关峭度准则EEMD及改进形态滤波的轴承故障诊断方法 [J], 李翠省;刘永强;廖英英
4.基于EEMD与形态滤波的滚动轴承故障诊断方法研究 [J], 黄浩;吕勇;肖涵;袁锐
5.基于EMD和LMS自适应形态滤波的滚动轴承故障诊断 [J], 宋平岗;周军
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波去噪和EEMD_HHT边际谱的滚动轴承故障诊断胡谧【摘要】本文将小波及聚合经验模态分解(ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换(HHT)边际谱的故障分析方法相结合,应用于强噪声背景下轴承信号故障特征提取.首先将轴承信号利用小波变换进行降噪处理,然后采用EEMD方法将轴承振动信号分解成若干个固有模态函数(IMFs);然后对各IMF进行Hilbert变换,求出轴承振动信号的HHT边际谱,最后根据边际谱能够区分不同工况下的正常和故障轴承,正确率为100％,并且通过谱图及局部细化图能够分析其频率特征.结果表明,这种方法能够有效提取轴承故障特征信息,提高轴承故障诊断率.【期刊名称】《科技视界》【年(卷),期】2018(000)026【总页数】5页(P8-12)【关键词】小波;EEMD_HHT;边际谱;局部细化;滚动轴承【作者】胡谧【作者单位】三峡大学科技学院,湖北宜昌443002【正文语种】中文【中图分类】TN911.40 引言滚动轴承是机械系统中最广泛的通用部件,一旦发生故障对机械系统的正常运行产生重大影响。

在工程中测取的滚动轴承故障信号一般是非平稳、非线性的,而且受到随机噪声的干扰,使得信号的信噪比很低,难以检测[1]。

1998年，N．E．Huang 等人提出了基于瞬时频率的信号处理方法———经验模态分解方法(EMD)，并在此基础上发明了 Hilbert-Huang变换(HHT)。

HHT方法既汲取了小波变换的分析优势，又避免了小波变换中需要选取小波基的问题，具有良好的局部适应性。

基于EMD的HHT方法在应用中的问题是易于产生模态混叠问题，针对EMD-HHT方法存在模态混叠问题，提出了一种基于聚合经验模态分解(EEMD)和HHT边际谱相结合的信号时频分析方法[2]。

由于噪声的干扰,HHT的核心经验模态分解法具有自适应性,信号中的噪声也参与EMD分解,使原始故障特征信息与噪声混淆而不易提取,从而影响对故障的准确诊断[3]。

基于改进EEMD和MED的滚动轴承早期故障诊断邹朋;王会杰【摘要】为了优化EEMD算法的去噪效果,采用一种归一化指标来自适应优化EEMD的去噪效果.该方法对信号进行迭代EEMD分解,运用敏感IMF选取方法,自适应选取每次EEMD分解得到的敏感IMF来重构信号,并通过该归一化指标来评价去噪效果并确定EEMD中的迭代次数,得到优化的去噪信号.再对该去噪信号进行MED滤波,最后进行包络谱分析,再与轴承理论上的特征频率进行比对,从而完成故障诊断.用模拟轴承故障信号与实测信号验证了该方法的可行性.【期刊名称】《测控技术》【年(卷),期】2019(038)003【总页数】5页(P47-51)【关键词】EEMD;敏感IMF;MED;动车轴厢轴承【作者】邹朋;王会杰【作者单位】重庆大学机械工程学院,重庆400044;重庆大学机械工程学院,重庆400044【正文语种】中文【中图分类】TH17;TP206集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)[1]的提出是为了解决传统的经验模态分解(Empirical Mode Decomposition,EMD)中存在的模态混叠现象,但是EMD[2]中存在的不敏感IMF分量却没能得到解决。

为解决这一问题，互相关系数[3、10]、峭度值[4]、互信息系数[5]、度量因子[6]及灰色关联度[7]等多个单值特征参数相继被引入筛选敏感IMF，并在实践中取得了一定的效果。

为了解决敏感IMF筛选和EEMD降噪参数设置时人为经验因素过大的问题，本文提出了基于运用相关系数均值筛选IMF和归一化寻优指标来确定EEMD中噪声添加次数的自适应EEMD降噪方法。

之后，结合MED滤波，提出了轴承早期故障检测方法。

最后，用模拟与实测信号验证了该方法的可行性。

1 基于敏感IMF和归一化指标寻优的改进EEMD去噪方法1.1 EEMD分解理论EEMD算法的发展源于EMD算法所具有的缺点：模态混淆。