第40卷第2期2023年2月机电工程JournalofMechanical＆ElectricalEngineeringVol．40No．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。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11．264s;经IEEEPHM2012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。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)02－0186－09ＲollingbearingfaultdiagnosismethodbasedonCEEMD－PCA－XGBoostMADong，HEYi-bin，LIMing，TANGQuan，HUMing-tao(CollegeofMechanicalandElectricalEngineering，WuhanInstituteofTechnology，Wuhan430205，China)Abstract:Aimingattheproblemsofslowoperationspeedandlowclassificationaccuracyduetodatalossorunevendistributioninbearingfaultdiagno...
