来源：期刊VIP网 时间：
作者：杨岗1;卫昱乾2;邓琴3;徐五一3
单位：1.西南交通大学机械工程学院;2.质子汽车科技有限公司;3.西南交通大学唐山研究院
摘要：针对滚动轴承声学信号中的故障特征微弱的问题，提出采用机器学习算法筛选IMF分量并进行信号重构的轴承故障特征增强算法。首先，利用自适应噪声完备集合经验模态分解(CEEMDAN)将原始信号分解成若干本征模函数(IMF)；其次将所有IMF分量的时域特征输入到随机森林中进行故障分类，以分类准确率指标作为量化IMF价值大小的可靠度指标，通过设定可靠度阈值，将大于阈值的IMF保留并用来重构特征信号；最后将重构信号的时域特征输入到极限提升树模型(XGBoost)中做故障分类，并与XGBoost对原始信号做故障分类的准确率作对比以验证该方法的效果。结果表明：重构信号的故障分类准确率提升到93.4%，远高于原始信号的87.27%，并且在优化XGBoost的参数后重构信号的故障分类准确率提升到96.6%，证明提出方法能有效增强轴承的故障特征。同时通过实验表明该方法在含噪声情况下也能够增强故障特征。
关键词：机器学习;故障特征增强;牵引电机;完备集合经验模态分解
基金资助：四川省重大科技专项项目(2023ZDZX0011)
