赵凡超,戴石良,房华伟,张丽敏,刘 伟

(1.广西中烟工业有限责任公司,广西 柳州 535006;2.南华大学 土木工程学院,湖南 衡阳 421001;3.湖南核三力技术工程有限公司,湖南 衡阳 421001)

0 引 言

滚动轴承是旋转机械的重要零部件之一,常工作在高速重载工况下,很容易出现故障,因此,及时对滚动轴承故障进行识别具有重要意义[1]。

目前,基于“人工特征提取-人工特征选择-浅层模式识别”的滚动轴承故障诊断方法研究较多。其中,JIANG H K等[2]利用改进集合经验模态分解和多小波包对轴承进行了故障诊断;LEI Y G等[3]利用多种经验模态分解方法对轴承进行了故障诊断。然而现场采集到的振动信号很容易受环境噪声干扰,具有一定的非线性和非平稳性[4],传统的轴承故障诊断方法受主观影响较大,故障特征难以有效提取[5]。

为克服传统轴承故障诊断方法的缺陷,李可等[6]提出了基于极限学习自编码器(extreme learning auto-encoder,ELAE)的轴承故障诊断方法,ELAE将极限学习机(extreme learning machine,ELM)[7]与自编码器(auto-encoder,AE)[8]结合,兼具AE与ELM的优势。

但ELAE为全连接网络,所需要学习的参数较多,训练时间较长,受噪声影响较大;且ELAE一般使用sigmoid激活函数,不能逼近L2(Rn)空间中的任意函数,泛化能力较弱[9];同时,使用单一的网络进行识别泛化能力差。此外,文献[10,11]的研究结果表明:滚动轴承振动信号的噪声会严重降低网络的故障识别率,因此有必要对采集到的轴承振动信号进行降噪前处理。

传统的小波分析降噪方法通过对振动的信号频谱进行二进制分割,从而将信号分解到不同频带,但其缺乏自适应性[12，13];经验模态分解(empirical mode decomposition,EMD)及其变体缺乏严格的理论基础,且存在模态混叠和端点效应等缺陷[14,15]。……