基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究

在数据驱动的滚动轴承状态智能辨识中，针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题，提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先，基于变分模态分解将具有时变调制特性的滚动轴承振动信号分解为有限个表征原信号不同成分的本征模函数分量；其次，根据其故障能量波动及其相关来量化并评估上述每个分量包含故障成分的比重，并据此对振动信号进行筛选重构来获取学习样本；最后，将上述学习样本集作为深度置信网络的输入来构建滚动轴承的故障辨识模型。实验结果表明，所提方法不仅筛选出滚动轴承振动信号中包含故障主成分的本征模函数分量并实现学习样本集构建，而且提高了基于振动数据的滚动轴承状态辨识模型的故障识别率。