杜小磊 陈志刚 王衍学 张楠

摘要： 传统滚动轴承故障识别方法过度依赖专家经验且故障特征提取与选择较为复杂，提出一种基于形态经验小波变换（MEWT）和改进分形网络（IFractalNet）的识别方法。利用MEWT将滚动轴承振动信号自适应分解为若干本征模态分量;根据综合评价指标选择包含明显故障特征的本征模态分量并重构;针对原始分形网络的的缺陷改进其损失函数和激活函数;将重构后的轴承振动信号输入IFractalNet进行自动特征提取与故障识别。实验结果表明：所提方法避免了复杂的人工特征提取过程，能够有效地对滚动轴承进行多种故障类型和多种故障程度的识别，在泛化能力、特征提取能力和故障识别能力方面具有明显优势。

关键词： 故障识别; 滚动轴承; 形态经验小波变换; 分形网络

中图分类号： TH165+.3; TH133.33    文献标志码： A    文章编号： 1004-4523（2021）03-0654-09

DOI：10.16385/j.cnki.issn.1004-4523.2021.03.024

引 言

滚动轴承作为旋转机械的重要部件，其对整机的性能和稳定性都有一定影响，因此对滚动轴承进行及时监测诊断具有重要意义[1]。

然而，由于滚动轴承振动信号传递路径比较复杂，多个振源的激励和响应相互耦合，且又容易受到外界环境噪声干扰，使得所测得信号的信噪比较低，呈现出明显的非线性和非平稳性。为了获得更好的故障识别结果，需要对轴承原始振动信号进行预处理以增强其故障特征信息。由文献[2]可知，经验模态分解、集合经验模态分解、局部均值分解等方法存在模态混叠、端点效应和虚假分量等问题;变分模态分解模态分量个数难以确定。……