李雪颖,朱哈娜,刘慧明

(青岛科技大学自动化与电子工程学院，山东 青岛266061)

滚动轴承是旋转机械中应用最多但最易损坏的机器零件，其工作好坏直接影响机械的工作状态。滚动轴承故障如果不能及时准确地诊断，将会造成财产损失，人员伤亡等一系列严重的问题。因此对滚动轴承振动信号中的特征成分实现精确提取以及对故障特征的准确分类是十分重要的[1]。近些年时频分析、机器学习及深度学习被广泛应用于故障诊断[2-6]。1998年，HUANG等[7]提出了希尔伯特黄变换(Hilbert-Huang transform，H HT)。希尔伯特黄变换在处理非线性、非平稳信号方面具有很大的优越性，因而在故障诊断方面得到广泛应用。HHT包括经验模态分解(empirical mode decomposition，EMD)和希尔伯特变换(Hilbert transform)两部分。尽管H HT在处理非线性、非稳定信号方面存在很大的优越性，但由于H HT存在模态混叠和端点效应等诸多问题，易导致特征提取不准确。为克服模态混叠的问题，HUANG等[8-10]基于白噪声的统计特性引入了总体经验模态分解(ensemble empirical mode decomposition，EEMD)，但是由于引入的白噪声不能完全被消除易造成重构误差不具有完备性且计算量也比较大。为了抑制模态混叠排除白噪声的干扰，2010年，HUANG等[11]提出向信号中添加2个相反的白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition，CEEMD)，CEEMD方法消除了EEMD分解中添加白噪声的影响，但是计算量变得更大。2011年，TORRES等[12]提出了一种自适应噪声的完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)，与EEMD和CEEMD方法相比较，CEEMDAN不仅提高了分解的效果，改善了分解的完备性，还大大减少了计算量。2016年，GUO等[13]提出了一种自适应深卷积神经网络进行故障诊断。……