为实现滚动轴承故障特征分析,提出了一种基于小波包变换(Wavelet Packet Transform,WPT)结合随机森林(Random Forests,RF)的滚动轴承故障分析模型。首先,采用小波包变换对振动信号进行分解,对终端节点进行重构,再计算重构信号及其希尔伯特边际谱的11种统计参数,得到统计特征,构建原始特征集;针对原始特征集中存在的冗余和干扰特征,提出一种基于平均精确率减少的特征选择方法(Features Selection base on Mean Decrease Accuracy,FSMDA),标记特征对轴承故障的重要度,选取重要度高的统计特征用于故障状态识别;最后,利用随机森林实现滚动轴承故障特征分析与状态识别。采用12种轴承故障状态数据进行实验分析,实验结果表明FSMDA能够选择出对故障状态较为重要的特征,提高故障状态识别准确率,并且具有较好的适应性。

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解（Empirical mode decomposition,EMD）和深度信念网络（Deep belief network,DBN）的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数（Intrinsic mode function,IMF）分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机（Extreme learning machine,ELM）的特征选择方法 （Features selection base on ELM,FSELM）,以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。