[发明专利]EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法

摘要

一种EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法，属于滚动轴承故障检测领域。为了解决针对训练数据采用一种负载，测试数据选用其他负载的情况下，滚动轴承故障状态及故障程度难以准确识别的问题。首先对滚动轴承各状态振动信号进行EEMD，然后选取敏感本征模态函数，并对其进行Hilbert变换求取包络谱。最后将各状态振动信号的IMF包络谱按顺序构建新的高维数据，输入到经遗传算法优化各隐藏层节点结构的DBN中，实现变负载下滚动轴承的多状态识别。在运用DBN进行滚动轴承10种状态识别过程中，训练数据采用某种负载，测试数据选用其他负载的情况下，EEMD‑Hilbert包络谱比时域或频域幅值谱能更好地体现出滚动轴承不同负载下的多状态特征，具有更高的识别率。

主权项

一种EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法，其特征在于：所述方法的实现过程为：模型训练阶段1)获取某种负载情况下滚动轴承多状态振动信号，将其作为训练数据集，并进行EEMD分解得到若干IMF，选取故障敏感的前T个IMF进行数据处理；2)将相同状态振动数据的各IMF进行Hilbert变换并求取包络谱，将求取的包络谱按顺序构建具有T个包络谱的高维样本特征，作为DBN的输入；3)无监督预训练过程：设定DBN中隐藏层数N和学习率ε，并通过遗传算法寻优确定各隐藏层节点数m1,m2,…,mN，以无监督学习的方式逐层训练各个限制玻尔兹曼机，直到完成N个RBM的训练；4)有监督微调过程：利用反向传播网络误差反向传播的原则对每个RBM进行权值ω和偏置的微调；完成构建变负载下滚动轴承多状态识别模型；故障测试阶段5)将与训练数据不同的多种负载下的滚动轴承振动信号作为测试数据，按照与训练数据相同的EEMD‑Hilbert包络谱方法进行数据处理，结合步骤4)所得到的多状态识别模型，实现不同负载下滚动轴承的多状态识别。