基于CEEMD-PCA-XGBoost的滚动轴承故障诊断方法

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。