基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法

鉴于滚动轴承振动信号具有非线性、非平稳的特点以及难以获得大量典型故障样本的现实情况，提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)与极限学习机(extreme learning machines, ELM)相结合的滚动轴承故障诊断方法。采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解，得到若干个平稳的本征模函数(intrinsic mode function, IMF)分量，计算不同状态下滚动轴承振动信号经CEEMD分解后各IMF分量的能量熵，从蕴含着主要故障信息的IMF分量中提取出能量特征，对其进行T分布随机近邻嵌入(T-stochastic neighbor embedding, Tsne)聚类可视化分析，观察特征对滚动轴承状态的反映情况，将特征作为输入建立极限学习机，判断滚动轴承的工作状态和故障类型。使用美国凯斯西储大学公开的人工损伤轴承数据进行仿真实验，对轴承得不同运行状态的识别准确率可以达到95%,明显高于多分类支持向量机、K近邻等方法，该结果表明，所提方法在...