基于Hilbert-Huang变换和残差神经网络的轴承故障诊断

摘要

为提高轴承故障诊断准确度,针对轴承振动信号易受噪声影响,工作状态参数非线性强和已有智能诊断模型学习深度浅的问题,提出一种基于希尔伯特黄变换(Hilbert-Huang transform,HHT)和深度残差神经网络的轴承故障诊断方法。对采集到的振动信号进行经验模态分解(Empirical mode decomposition,EMD),利用分解得到的本征模态分量(Intrinsic mode function,IMF)进行Hilbert变换,得到信号的时频分布图,训练集和验证集输入到深度残差神经网络模型中训练,测试集用以测试模型识别故障准确率。实验结果表明,提出的方法能快速的对轴承进行故障诊断,并具有较高的准确率。