杨润贤,郭林炀,周正平,常兆庆,李国伟,徐庆乐

(1.扬州工业职业技术学院 智能制造学院,江苏 扬州 225000;2.南京航空航天大学 自动化学院,江苏 南京 211106;3.长春理工大学 高功率半导体激光国家重点实验室,吉林 长春 130000;4.江苏曙光光电有限公司,江苏 扬州 225000;5.河南科技大学 机电工程学院,河南 洛阳 471003;6.郑州机械研究所有限公司,河南 郑州 450001)

0 引 言

滚动轴承已被广泛应用于旋转机械设备中,其健康状态会影响整机的工作性能,因此及时对滚动轴承进行状态监测与故障识别具有重要意义[1]。

目前,在对滚动轴承进行故障识别的方法中,基于其振动信号进行分析的识别方法最为常用。但实际工业采集到的轴承振动信号受噪声干扰严重,且表现出一定的非平稳性,导致基于“人工特征提取—模式识别”的故障辨识方法受到较大限制[2,3]。

深层自编码器(DAE)[4]3-4能自动从信号中学习有价值的特征,在一定程度上克服了传统故障识别方法的缺陷。SHAO Hai-dong等人[5]使用自适应DAE神经网络,直接将轴承振动信号输入DAE,对轴承故障的识别准确率达到了95%以上。SHAO Hai-dong等人[6]又提出了深层特征融合方法,增强了DAE的特征学习能力,取得了96%的轴承故障识别准确率。

虽然上述基于DAE的轴承故障识别研究取得了一定的成果,但仍存在以下缺陷:(1)DAE在训练过程中结构固定不变,难以处理非平稳性轴承振动信号[7];(2)信号噪声会降低DAE的特征提取性能。

在信号降噪方法中,EMD(empirical mode decomposition)、EEMD(ensemble empirical mode decomposition)[8]、LMD(local mean decomposition)[9]等模态分解降噪方法模态混叠严重,且缺乏理论基础;变分模态分解(variational mode decomposition,VMD)[10]具有较为坚实的数学理论,但模态数目及惩罚因子等参数难以确定。……