左大利

(东莞职业技术学院机电工程学院，广东 东莞 523808)

0 引言

滚动轴承是旋转机械的重要部件之一，对于保证整机的运行安全，具有重要意义[1]。目前，基于传感器物理量的轴承工况识别方法应用最广泛，且研究最多的是振动信号，然而，实际采集到的轴承振动数据往往受环境噪声干扰，且出现一定的非线性和非平稳性。因此有必要对轴承振动数据进行预处理以获得更好的工况识别结果。

传统基于“特征提取+模式识别”的轴承工况识别方法很大程度上依赖于繁琐的人工特征提取和特征选择，受主观影响较大。深度学习[2]能自动从信号中学习有价值的特征，在轴承工况识别领域取得了较大突破[3]。周兴康等[4]构建一维残差自编码神经网络对旋转机械进行工况识别，实验结果表明提出网络具有良好的工况特征提取能力；张鑫等[5]将流形学习与深度置信网络用于轴承工况识别，在不平衡的数据集下也实现了很好的识别效果。但上述研究表明，振动信号噪声的存在会降低深度学习模型的工况识别准确率和收敛速度[6]。然而，EMD[7]、EEMD[8]、LMD[9]等模态分解降噪方法缺乏严格的理论基础；VMD[10]的分解模态个数难以确定；经验小波分解(empirical wavelet decomposition，EWD)[11]具有完备的数学理论，分解结果较稳定，但其频谱边界难以划分。

本文针对EWD和深度学习的优势，提出一种基于AEWD和DWN的滚动轴承工况识别方法，实验结果表明该方法具有较好工况识别效果。

1 自适应经验小波分解

EWD通过对信号的谱边界进行检测和分割，然后利用小波提取相应频段的调幅-调频成分，但目前存在的谱边界检测方法均存在较大的缺陷[11]。……