1、第 40 卷第 2 期2023 年 2 月机电工程Journal of Mechanical Electrical EngineeringVol 40 No 2Feb 2023收稿日期:2022 07 01基金项目:国家自然科学基金资助项目(51775390);化工装备强化与本质安全湖北省重点实验室开放基金资助项目(2018KA01);武汉工程大学研究生教育创新基金资助项目(cx2021052)作者简介:马东(1997 )，男，安徽滁州人，硕士研究生，主要从事机械零件故障诊断分析、图像处理方面的研究。E-mail:1782029496 qq com通信联系人:何毅斌，男，博士，教授，硕士生导师
2、。E-mail:775700062 qq comDOI:10 3969/j issn 1001 4551 2023 02 004基于 CEEMD-PCA-XGBoost 的滚动轴承故障诊断方法*马东，何毅斌*，李铭，唐权，胡明涛(武汉工程大学 机电工程学院，湖北 武汉 430205)摘要:在轴承的故障诊断过程中，往往会存在因数据缺失或分布不均，从而导致其运算速度慢和分类准确率低的问题，为此，提出了一种互补集成经验模态分解结合主成分分析和极限梯度提升(CEEMD-PCA-XGBoost)的故障诊断方法。首先，基于互补集成经验模态分解(CEEMD)对第三方轴承故障数据集进行时域和频域的特征提取，实
3、现了数据初步筛选的目的;然后，采用主成分分析法(PCA)，降低了分解后的本征模态函数分量(IMF)的特征值维度;将提取的特征量作为输入量，输入到极限梯度提升(XGBoost)模型中，并采用栅格法优化了模型的参数;最后，通过 2 种不同轴承数据集对该方法进行了验证，并从分类精度、准确度等角度出发，将该方法所得结果与采用其他算法所得到的结果进行了对比分析。实验结果表明:经美国凯斯西储大学轴承数据集检验，采用优化后的算法模型得到的分类准确率为 100%，运算时间为 11 264 s;经 IEEE PHM 2012 数据集验证，采用该算法得到的轴承寿命预测曲线拟合效果优于其他算法。研究结果表明:在运算
4、速度和分类准确率方面，该轴承故障诊断方法具有较好的综合性能。关键词:特征提取;互补集成经验模态分解;主成分分析;极限梯度提升;分类准确率;特征值维度中图分类号:TH133 33文献标识码:A文章编号:1001 4551(2023)02 0186 09olling bearing fault diagnosis method based on CEEMD PCA XGBoostMA Dong，HE Yi-bin，LI Ming，TANG Quan，HU Ming-tao(College of Mechanical and Electrical Engineering，Wuhan Institut
5、e of Technology，Wuhan 430205，China)Abstract:Aiming at the problems of slow operation speed and low classification accuracy due to data loss or uneven distribution in bearingfault diagnosis，a fault diagnosis method combined with complementary ensemble empirical mode decomposition and principal compon
6、entanalysis and extreme gradient boosting(CEEMD-PCA-XGBoost)was proposed Firstly，based on complementary ensemble empirical modedecomposition(CEEMD)，the third-party bearing fault data sets were extracted in the time domain and frequency domain to achievepreliminary data screening Then，the principal c
7、omponent analysis(PCA)method was used to reduce the eigenvalue dimension for thedecomposed intrinsic mode functions(IMF)The extracted eigenvalues were input into the extreme gradient boosting(XGBoost)model asinput quantities，and the model parameters were optimized by the raster method Finally，the me
8、thod was verified by two different bearingdata sets，and the results obtained by this method were compared with those obtained by other algorithms from the perspective of classificationprecision and accuracy The experiment results show that the classification precision of the optimized model is 100%，
9、and the calculationtime is 11 264 s，verified by the bearing dataset of Case Western eserve University;verified by the IEEE PHM 2012 dataset，the fittingeffect of the life prediction curve is better than other algorithms The research results show that，the method has good comprehensiveperformance in te
10、rms of operation speed and classification accuracyKey words:feature extraction;complementary ensemble empirical mode decomposition(CEEMD);principal component analysis(PCA);extreme gradient boosting(XGBoost);classification accuracy;eigenvalue dimension0引言由于轴承是旋转机械中的重要零件，轴承故障的有效诊断对机械安全运转具有重要意义1。滚动轴承是轴
11、承中的一类。滚动轴承的故障诊断步骤可分为信号特征提取、故障诊断、故障分类 3部分2。受工作环境影响，外界噪声会产生干扰信号，因此，处理干扰信号所采取的不同方法会直接影响滚动轴承的故障诊断结果。常见的滚动轴承信号处理方法包括:快速傅立叶变换(fast Fourier transform，FFT)、小波变换(wavelettransform，WT)及经验模态分解(empirical mode decom-position，EMD)等3。FFT 适合处理整体且较平稳的信号;WT 虽然可以探究信号在时域和频域方面的变化，但该方法不能实现基函数自适应的目的;EMD 可自动按照固定模式对振动信号进行分类，
12、但会出现模态混叠等现象4。集合 经 验 模 态 分 解(ensemble empirical modedecomposition，EEMD)是在 EMD 的基础上，通过加入白噪声，在一定程度上改善了模态混叠等现象，但不能自适应地调整噪声幅值等参数5。互补集合经验模态分解(CEEMD)则通过加入对称白噪声，提高了信号的重构精度，同时又节约了计算时间，可有效地解决模态混叠的问题6。人工神经网络(artificialneural networks，ANN)7、支持向量机(support vector machine，SVM)8 等在故障诊断领域得到广泛应用。ANN 需要依托数据集进行多次训练，且易陷
13、入局部最优解。SVM 可解决 ANN过拟合和局部最优解问题，但该方法处理大量数据样本时所需建模时间长，模型训练的速度较慢。极端梯度 提 升(XGBoost)9 算 法 是 梯 度 提 升(gradientboosting)算法的改进版，其引入了正则化项，有效规避了模型产生过拟合现象;并且其采用并行式和分布式相结合的计算模式，极大提高了模型的训练速度。在轴承故障诊断研究方面，梁治华等人10 采用了EEMD 和 CS-SVM 相结合的方法，即利用 EEMD 预处理轴承信号数据，并采用改进的 SVM 算法优化 CS-SVM 模型，提高了轴承故障识别的准确率。孙萧等人11 首先将轴承振动信号经 CEE
14、MD 分解，然后采用筛选峭度值的方式，对该信号进行了重构，并使用卷积神经网络对该信号进行了特征提取。王桂兰等人12 研究了 XGBoost 算法在风机主轴承故障预测中的应用，结果表明，XGboost 算法在处理大规模数据时，其分类精度和模型运算速度综合性较好。马怀祥等人13 采用卷积神经网络(CNN)，对轴承故障信号进行了特征提取，并使用 XGBoost 算法验证了其分类精度，结果表明，CNN 结合 XGBoost 算法在轴承故障诊断中的分类精度更高。向川等人14 采用堆栈稀疏自编码(ISSAE)堆叠的方式，有效提取了轴承故障信号中的数据特征，并结合 XGBoost 分类算法，在轴承故障诊断方
15、面取得较好的效果。在以上研究中，虽然研究人员都采用不同的方法对轴承进行了故障诊断，但其分类精度普遍不高，依旧存在提升空间。在实际故障诊断过程中，算法堆叠会导致模型存在参数多、过拟合化等问题，数据过多也会影响模型的运算速度。利用各类数据处理方法可以最大程度地保留其数据特征，防止其数据失真;同时可以精简数据，提高其模型的运算效率。为此，笔者提出一种基于 CEEMD-PCA-XGBoost的滚动轴承故障诊断方法。该方法首先采用模态分解与主成分分析方法，对数据进行预处理，以在保证数据特征的同时，减少模型输入的参数及数据数量;然后将提取的特征量作为输入量，输入到极限梯度提升(XGBoost)模型中，并采
16、用栅格法优化模型的参数。1理论基础1 1互补集成经验模态分解(CEEMD)1 1 1CEEMD 原理由于 CEEMD 在 EMD 中添加了对称分布的白噪声，在 将 目 标 信 号 分 解 成 若 干 个 本 征 模 态 函 数(intrinsic mode functions，IMF)时，可以有效地减小重构的误差，降低噪声的干扰，减少信号模态混叠的影响。CEEMD 的主要分解步骤如下:(1)在原始信号中加入对称白噪声 K(t)，产生新信号 signew，即:signew(t)=sigoriginal(t)+K(t)(1)(2)将 signew进行 EMD 分解，然后得到 IMF(n)和残余函数(n);IMF1=signew c1(2)式中:c1原始信号的上下包络平均值;IMF1分解后第一个分量。新信号表达式变为:signew(t)=ni=1IMF+(n)(3)781第 2 期马东，等:基于 CEEMD-PCA-XGBoost 的滚动轴承故障诊断方法1 1 2CEEMD 空间矩阵构建(1)构建关于原始信号的时域矩阵。时域矩阵如下:T=u1u2ui=u11u12u1ju21u22u2jui
