基于改进MEEMD与DE-OSELM的滚动轴承故障诊断方法

摘要

针对现场采集的信号因混有噪声而使故障特征提取困难的问题,基于奇异值分解(SVD)、改进的集合经验模态分解(MEEMD)、差分进化算法(DE)、在线贯序极限学习机(OSELM),提出了一种基于改进MEEMD与DE-OSELM的滚动轴承故障诊断方法.首先进行MEEMD分解,对MEEMD算法中经排列熵筛选出的异常IMF分量进行SVD降噪,与剩余信号重构后直接进行EMD分解;其次提取各IMF分量的能量作为特征构造特征集;最后将获得的特征集作为DE-OSELM的输入进行训练并识别故障类型.对实际4种不同健康状态的滚动轴承样本进行分类识别,并与常用分类方法进行比较.结果表明:该方法具有更高的准确率,可以更有效地实现故障诊断.