基于CEEMD能量算子和XGBoost的滚动轴承故障诊断

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。