为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。

在滚动轴承故障诊断过程中,针对非故障敏感特征的干扰以及冗余信息的问题,提出一种基于ReliefF与标准差的故障敏感特征选取方法,从原始特征集中选取出对故障状态敏感度高的统计特征用于故障识别与分类。针对高维特征集,提出一种改进邻域保持嵌入的特征降维方法,实现对高维特征集的低维表示,并提升低维特征集的判别性能。最后,基于支持向量机构建故障诊断模型,采用变工况下12种轴承故障数据来验证所提出方法的有效性与适应性,实验结果表明,所提出方法能够提高故障诊断准确率,并具有较好的适应性。

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。