技术与市场创新与实践2023年第30卷第2期基于CEEMD能量算子和XGBoost的滚动轴承故障诊断王昊天(重庆交通大学机电与车辆工程学院，重庆400074)摘要:针对滚动轴承故障特征提取困难、故障类型识别困难的问题，提出一种基于互补集合经验模态分解(CEEMD)能量算子和极端梯度提升(XGBoost)树模型的滚动轴承故障诊断方法。CEEMD在处理信号时成对添加符号相反的白噪声以降低重构误差，XGBoost树模型通过对目标函数进行二阶泰勒展开计算叶子节点权重以进行合适分裂。该方法充分结合了CEEMD算法和XGBoost树模型的优点，首先使用CEEMD算法分解滚动轴承的振动信号，根据相关系数选取了4个含有主要故障信息的固有模态函数(IMF)分量，分别提取能量算子特征构建数据集，将训练集输入到XGBoost模型进行训练，最后对滚动轴承4类故障进行识别分析。通过试验数据验证了该方法在滚动轴承故障识别中的可行性。关键词:滚动轴承;CEEMD算法;XGBoost树模型doi:10．3969/j．issn．1006－8554．2023．02．0050引言滚动轴承被认为是旋转机械中的关键部件之一，许多机械设备停工都是因其故障引起的，其健康状况直接关系到整个机械系统的运行。为使机械设备稳定工作，减少非生产时间，避免发生灾难性故障对机器和人的生命造成损害，应对滚动轴承故障进行准确诊断和分析。振动信号被广泛应用于滚动轴承故障诊断中，对信号进行优化处理提取特征，是进行故障诊断的主要手段。滚动轴承的振动信号是非平稳、非线性的，如何从中提取有效故障信息，准确诊断并识别轴承状态是当前研究的热点。针对振动信号的特点，将时频分析技术引入旋转机械故障诊断中。Huangetal．［1］于1998年提出的经验模态分解(EMD)可将信号自适应分解为多个固有模态函数(IMF)，非常适合非平稳、非线性的振动信号，目前已成功应用于滚动轴承故障诊断中［2－4］。但EMD存在模态混淆的缺陷，为解决此问题，Wuetal．［5］研究白噪声信号的统计特性后提出了集合经验模态分解(EEMD)。为了提高分解效率，Yehetal．［6］提出了一种互补集合经验模态分解(CEEMD)，向原始信号中添加2个相反的白噪声信号，并对每个噪声情况分别执行EMD，该算法有效减少了白噪声对原始信号的影响。极端梯度提升(XGBoost)树模型是近年来被广泛使用的一种模式识别分类方法。Chenetal．［7］提出的XGBoost算法是目前最快、集成度最高的决策树算法。该算法融合了梯度提升、随机森林等算法的优势，创造性地提出了模型的离散意识和离核计算方法，不仅提...
