基于自適應(yīng)緊框架學(xué)習(xí)的軸承故障診斷

柏壯壯， 盧一相， 高清維， 孫 冬

(安徽大學(xué) 電氣工程與自動化學(xué)院，合肥 230601)

滾動軸承在工業(yè)生產(chǎn)設(shè)備中占據(jù)重要的地位，它廣泛應(yīng)用于礦山、冶金和醫(yī)療等多個領(lǐng)域，它的運(yùn)行狀態(tài)將會直接影響整個系統(tǒng)的工作效率。與其他類型的機(jī)械部件相比，滾動軸承在摩擦損耗、裝配和工作效率方面有很大的優(yōu)勢，因此它被廣泛的用于旋轉(zhuǎn)機(jī)械中。但是，如果軸承發(fā)生故障，將會引起連鎖反應(yīng),如影響生產(chǎn)、造成財產(chǎn)損失、甚至危害生命。因此，對軸承運(yùn)行狀態(tài)的提前準(zhǔn)確地監(jiān)測和診斷，將會對生產(chǎn)系統(tǒng)的可靠安全運(yùn)行有極大的幫助。

目前軸承故障檢測常用的方法是振動檢測法[1-2]，它可以很方便的獲得軸承的運(yùn)行數(shù)據(jù)。軸承的振動信號攜帶重要的特征，是可測量可區(qū)分的。但同時振動信號呈現(xiàn)的非線性和非平穩(wěn)性且在噪聲干擾情況下難以進(jìn)行信號特征提取并診斷[3-4]。基于特征提取的故障診斷方法由三步實現(xiàn)：①信號預(yù)處理，如去噪；②提取振動信號的特征，這部分將振動信號轉(zhuǎn)換為包含故障信息的多維特征向量；③利用分類器如神經(jīng)網(wǎng)絡(luò)[5-6]，隨機(jī)森林[7]，支持向量機(jī)(support vector machine,SVM)[8]等算法實現(xiàn)對故障信號的自動診斷。

早期的軸承故障診斷使用時域統(tǒng)計信息如信號峰值、方差等，計算方便快速，在軸承故障信號特征提取方面應(yīng)用較多，但故障程度的加深會導(dǎo)致時域特征變化較弱，從而不能較好地診斷故障，因此很多學(xué)者摒棄傳統(tǒng)的時域特征，采用頻域、時頻域特征。文獻(xiàn)[9]首先使用譜峭度分析振動信號的瞬態(tài)沖擊分量所在的頻帶位置，然后利用雙譜分析抑制噪聲并突出特征頻率，從而診斷軸承故障。Yang等利用經(jīng)驗?zāi)B(tài)(empirical mode decomposition, EMD)能量譜的方式檢測故障，經(jīng)驗?zāi)B(tài)將復(fù)雜信號分解為有限個本征模函數(shù)(intrinsic mode function，IMF)，各IMF分量包含了原始信號不同時間尺度的局部特征信號。盡管EMD對于非平穩(wěn)信號和非線性信號有時能很好的工作，但是它缺乏嚴(yán)格的數(shù)學(xué)證明，因此在實際應(yīng)用中需要很強(qiáng)的經(jīng)驗指導(dǎo)[10]。文獻(xiàn)[11]提出變分模態(tài)分解(variational mode decomposition，VMD)方法和SVM結(jié)合進(jìn)行故障診斷，VMD通過迭代搜索變分模型最優(yōu)解獲取模態(tài)分量的頻率中心和帶寬，從而提取信號信息。Gilles[12]提出一種新的分解方式——經(jīng)驗小波變換(empirical wavelet transform，EWT)，它通過設(shè)計小波濾波器組提取信號的幅頻調(diào)制分量，但它難以準(zhǔn)確的分割非平穩(wěn)信號和噪聲信號的頻率。為了克服EWT的缺點，Hu等[13]提出使用增強(qiáng)經(jīng)驗小波變換的方法分割非平穩(wěn)信號和噪聲。

小波分析法具有嚴(yán)格的數(shù)學(xué)推導(dǎo)和證明，已經(jīng)成為信號分析和特征提取方法中的典型算法。Konar等采用連續(xù)小波變換提取特征，進(jìn)一步采用支持向量機(jī)對故障種類進(jìn)行分類，但這種方式很容易帶來維數(shù)過高的風(fēng)險，因為經(jīng)過連續(xù)小波變換后得到的系數(shù)由許多復(fù)雜的二維信號構(gòu)成。文獻(xiàn)[14]首先使用Morlet小波進(jìn)行信號小波分解，再將小波系數(shù)劃分為多個子列，計算各子列協(xié)方差矩陣的特征值作為所需的故障模態(tài)的特征參數(shù)，然后使用連續(xù)隱馬爾可夫模型在三種故障程度下分別實現(xiàn)軸承正常狀態(tài)、滾珠故障、外圈故障和內(nèi)圈故障的正確識別。同時為了有效提取信號的振動特性及周期性成分，該算法還使用最小香農(nóng)熵準(zhǔn)則和奇異值分解選擇Morlet小波參數(shù)，實現(xiàn)參數(shù)優(yōu)化。除了連續(xù)小波變換，小波包變換也被用來分析提取振動信號特征[15-17]。這些算法主要采用小波包能量來檢測軸承故障[18-19]，如文獻(xiàn)[20]采用小波包對振動信號進(jìn)行三層分解，將振動信號分解為多個頻帶不同的信號，并提取各頻帶的相對能量特征，構(gòu)建特征向量；再利用多核學(xué)習(xí)算法從訓(xùn)練樣本中集中學(xué)習(xí)核函數(shù)與分類器；最后使用分類器進(jìn)行故障分類。

小波變換之所以能夠成功的應(yīng)用于軸承的故障診斷，這得益于它能夠完整的描述信號的特征子空間。然而，振動信號的形態(tài)多樣化使得一個小波基在描述某種故障特征子空間時性能較好，對其他的故障特征子空間的描述效果卻很差。因此，結(jié)構(gòu)固定的小波基在描述故障特征時其性能就具有很大的不確定性，特別是當(dāng)故障信號中包含多種故障時。為了解決對故障信號的自適應(yīng)描述問題，有學(xué)者提出使用稀疏表達(dá)來對信號進(jìn)行自適應(yīng)描述，并將其應(yīng)用于機(jī)械故障檢測[21]。與傳統(tǒng)的小波變換相比較，雖然這種基于數(shù)據(jù)訓(xùn)練出來的過完備字典在描述故障信號的特征時具有很大的靈活性，但是當(dāng)參與訓(xùn)練的樣本具有相似性的時候，會使得過完備字典原子具有明顯的相關(guān)特性，將直接影響故障信號的重建效果。因此，構(gòu)造一種既能夠?qū)收闲盘柼卣鬟M(jìn)行有效自適應(yīng)描述，又能夠完全重建故障特征信號的緊框架是一種必然的選擇。

模式識別算法是故障診斷的核心，它隨著模式識別方法的發(fā)展而不斷得到完善。傳統(tǒng)的基于統(tǒng)計的模式識別方法和神經(jīng)網(wǎng)絡(luò)[22-23]已經(jīng)被廣泛地應(yīng)用于故障識別領(lǐng)域，它通過對大量樣本的學(xué)習(xí)建立故障特征到故障空間的映射關(guān)系，實現(xiàn)故障的診斷。雖然神經(jīng)網(wǎng)絡(luò)在實際的故障診斷中能夠取得良好的效果，但是它需要大量的訓(xùn)練樣本，在實際工程應(yīng)用中，很難獲得足夠多的樣本，尤其是故障樣本，這使得在很多情況下神經(jīng)網(wǎng)絡(luò)的診斷效果都不理想。

支持向量機(jī)是由Vapnik等[24]在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展的一種新的模式識別方法，它針對小樣本條件下的機(jī)器學(xué)習(xí)問題建立的新型學(xué)習(xí)機(jī)制。它通過最小化經(jīng)驗風(fēng)險的同時，最小化置信區(qū)間的上界，有效地解決了小樣本及非線性問題。因此，它在小樣本學(xué)習(xí)中擁有比神經(jīng)網(wǎng)絡(luò)更好的泛化能力，同時算法的收斂速度也很快。基于核函數(shù)的支持向量機(jī)，其性能受到事先選擇的懲罰因子C和核函數(shù)(一般選擇高斯核函數(shù))參數(shù)γ的影響，這使得分類器性能無法自動達(dá)到最優(yōu)狀態(tài)。雖然傳統(tǒng)網(wǎng)格遍歷參數(shù)尋優(yōu)算法能夠?qū)崿F(xiàn)參數(shù)的優(yōu)化選擇，但是計算量非常大，在實際的工程應(yīng)用中具有很大的局限性。因此，文獻(xiàn)[25]采用遺傳算法尋優(yōu)功能實現(xiàn)故障診斷。

針對小波基描述某種信號較好而對其他信號描述較差以及稀疏表示過完備字典原子的高冗余性，為了提高軸承故障診斷的自適應(yīng)能力，本文提出了自適應(yīng)緊框架學(xué)習(xí)方法用于故障診斷，這種緊框架由振動信號本身學(xué)習(xí)得到，因此可以很好地描述信號；然后通過訓(xùn)練得到的濾波器組對故障信號進(jìn)行濾波，通過不同故障信號頻率在不同濾波器下響應(yīng)不同的原理構(gòu)造特征；最后使用基于遺傳算法優(yōu)化的SVM分類器對故障信號進(jìn)行分類。

1 故障信號分解的緊框架訓(xùn)練與信號去噪

為了使緊框架能夠?qū)π盘栠M(jìn)行有效的描述和完全的重建，我們可以通過緊框架結(jié)構(gòu)約束條件下的稀疏字典學(xué)習(xí)模型來實現(xiàn)[26],即通過求解如下最小化模型可以實現(xiàn)緊框架的構(gòu)造

s.t.ΩTΩ=I

(1)

式中：y為振動信號；Ω(f1，f2,…,fr)為在緊框架下的分析算子；v為系數(shù)稀疏向量；上式第一項表示稀疏誤差；第二項保證系數(shù)趨向稀疏；約束項ΩTΩ=I保證Ω是緊框架。由于這個最小化問題是高度非凸問題，且l0是一個NP難問題，因此采用l1范數(shù)最優(yōu)近似l0范數(shù)，將非凸問題轉(zhuǎn)化為凸問題：

s.t.ΩTΩ=I

(2)

1.1 優(yōu)化方程求解

優(yōu)化問題式(2)可以通過兩個交替的子優(yōu)化問題來實現(xiàn)。

步驟1稀疏編碼

先用一個框架給Ω賦初值，則式(2)轉(zhuǎn)化為

(3)

該問題可以通過閾值法求解

(4)

式中：HT為硬閾值算子;λ為事先確定的閾值。

步驟2字典更新

s.t.ΩTΩ=I

(5)

(6)

將系數(shù)向量均勻的分為r個向量，并將它們表示為vi∈RR×1,i=1,2,…,r。因此目標(biāo)函數(shù)可以轉(zhuǎn)化為

(7)

式中，yk,k=1,2,…，N取自信號y的r×1分量。

通過構(gòu)造如下的矩陣

目標(biāo)函數(shù)可進(jìn)一步轉(zhuǎn)化

(8)

式中，Tr(·)為矩陣的跡，則式(8)所表示的優(yōu)化問題等價于

(9)

1.2 噪聲去除與信號重建

在得到緊框架Ω之后就可以利用緊框架對原始信號進(jìn)行分解，在每次迭代過程中將式(6)中的y換為閾值處理后的

為了說明緊框架的去噪效果，我們使用實測軸承振動信號(見圖1)進(jìn)行驗實驗證，實驗信號來自于凱斯西儲大學(xué)軸承數(shù)據(jù)中心。為了確保算法的適應(yīng)性，實驗選取四種狀態(tài)信號，即正常信號、內(nèi)圈故障信號、滾動體故障信號和外圈故障信號，信號長度為2 000點。從圖可以看到正常信號幅值小，振動頻率低；內(nèi)圈故障信號和外圈故障表現(xiàn)出周期性、沖擊性等特點；而滾動體故障幅值較小。經(jīng)本文算法去噪后的信號，如圖2所示。由于數(shù)據(jù)在采集過程中受到噪聲等的干擾，導(dǎo)致信號去噪后會出現(xiàn)兩種不良后果：一是不同故障信號在強(qiáng)噪聲干擾下，去噪后故障狀態(tài)難以區(qū)分；二是在弱噪聲情況下，信號去噪后看不出去噪效果。針對第二情況，我們通過對去噪前后的信號分別做頻譜圖(見圖3和圖4)來觀察去噪的效果。由于噪聲是高頻信號，因此考察去噪的效果，只要分析高頻情況即可。對比圖3和圖4可以看出，去噪信號的高頻成分已經(jīng)含有很少的高頻分量，同時幅度較大的故障特征頻率及其諧頻分量都很好地保留下來了，這說明本文的算法具有很好的去噪性能，即去噪效果明顯。

圖1 四種不同狀態(tài)的振動信號Fig.1 Vibration signals in four different states

圖2 四種噪聲濾除信號Fig.2 Four kinds of noise filter the signal

圖3 振動信號去噪前頻譜圖Fig.3 Spectrum of vibration signal before denoising

圖4 振動信號去噪后頻譜圖Fig.4 Spectrum of vibration signal after denoising

2 故障模態(tài)的特征向量構(gòu)造

2.1 故障特征構(gòu)造

振動數(shù)據(jù)訓(xùn)練得到的緊框架Ω的每一列代表一個濾波器分量。因此如果將振動信號y攜帶的全部特征看成是分布在一個空間(Ω的列構(gòu)成的空間)的話，那么每個濾波器就代表其中的一個子空間。因此Ω可以構(gòu)成r個子空間，并且可以將y分解為r個子空間信號zq∈Rm×1,q=1,2,…，r，即

式中，m為信號分解后的長度。對卷積后的信號zq做變換,得到它的頻譜DFT(zq)。由于緊框架的每個濾波器都是一個帶通濾波器，且具有頻率選擇特性，所有的r個帶通濾波器正好實現(xiàn)對振動信號整個頻帶的劃分。每種故障都有一個故障頻率fd，因此一定有一個zq信號的頻譜所包含的頻率分量fd的頻譜幅值最大，而其余濾波器對該故障頻率的幅頻響應(yīng)相對較小。利用不同子空間對相應(yīng)故障頻率的幅頻響應(yīng)不同的原理，使用濾波之后的頻域能量信息就可以實現(xiàn)對各故障特征的構(gòu)造。

2.2 故障特征描述

根據(jù)特征構(gòu)造的原理，采用如下的策略來描述故障特征。考慮故障信號在諧波、噪聲等擾動對振動信號幅頻響應(yīng)的影響，對故障信號特征設(shè)計如下的幅頻響應(yīng)函數(shù)

(10)

式中：A(i)為振動信號傅里葉變換之后的第i個點的幅頻響應(yīng);M為計算幅頻響應(yīng)函數(shù)是所取的幅頻點數(shù)范圍(M的選取將在第4章給出)。圖5是在每個濾波器濾波后求得幅頻響應(yīng)情況下對應(yīng)的能量，振動信號在不同濾波器下的幅頻響應(yīng)呈現(xiàn)不同的幅值，例如正常信號在第1個濾波器濾波后保留了大部分的信號能量，因此可以認(rèn)為第1個濾波器的信號代表了正常信號的特征；內(nèi)圈故障信號在第7個濾波器下保留大部分能量，可以認(rèn)為第7個濾波器的信號代表了內(nèi)圈故障信號的特征；同樣第20個和第18個濾波器信號分別代表了滾動體故障和外圈故障的特征。不同的特征信號對應(yīng)的濾波器不一樣，盡管有可能不同的故障信號對應(yīng)某個濾波器的能量最大，但是，他們在其他濾波器上保留的能量是不一樣的，因此特征向量還是不一樣的。因此特征向量之間有著明顯的區(qū)分度，從而可以通過分類器進(jìn)行故障識別。

為了設(shè)計簡潔而又具有故障區(qū)分度的特征向量，對每個故障信號，使用下式確定故障頻率響應(yīng)前幾個最大值對應(yīng)的子空間

(11)

為了描述可區(qū)分的故障特征，本文生成維數(shù)r的特征向量saq=[0,0,…,0]，初值為0，對于每個振動信號將前n個最大的Id分別放入saq對應(yīng)位置上，此時實現(xiàn)了對故障模態(tài)特征的描述。

圖5 不同濾波器對應(yīng)Id值Fig.5 The corresponding Id value of different filters

3 基于遺傳算法的SVM分類器參數(shù)優(yōu)化

在得到振動信號的特征向量之后就可以用對其進(jìn)行分類，但是SVM參數(shù)選取存在困難，因此本文采用遺傳算法自動選取最優(yōu)參數(shù)。將交叉驗證下的個體錯誤率作為個體的適應(yīng)度值,其具體表達(dá)式為

式中：yi為第i個樣本的期望輸出;Oi為分類器做出的預(yù)測分類輸出；N為訓(xùn)練樣本數(shù)。訓(xùn)練好數(shù)據(jù)后通過輪盤賭法來選擇每次迭代中合適的個體即錯誤率低的個體，這一步驟要求選擇個體的概率應(yīng)該與個體的錯誤率成反比，這樣每個個體被選擇的概率為

式中：M為種群數(shù)；Fi為第i個個體的適應(yīng)度。上式確保個體的適應(yīng)度越大，被選擇的概率會更高。為了產(chǎn)生新的個體，采用傳統(tǒng)的實數(shù)交叉方式

式中：a為在[0,1]上的隨機(jī)數(shù)；X1和X2為最初的兩個個體；Y1和Y2為新的個體。變異操作是一種重要的產(chǎn)生新個體的操作，目的是影響算法的搜索方向。為了變異出新的個體，核函數(shù)參數(shù)變異采取如下方式

式中：f(g)=r2(1-g/gmax)，這里ri(i=1,2)是均勻分布在[0,1]內(nèi)的隨機(jī)數(shù)；amax和amin為個體上界和下界；g為目前迭代次數(shù)；gmax為最大迭代次數(shù)，即進(jìn)化次數(shù)。

遺傳算法優(yōu)化參數(shù)C和γ的過程中，由于支持向量機(jī)進(jìn)行分類的性能往往和懲罰因子C的選擇有正相關(guān)關(guān)系，即C越大，分類器性能越好,變異操作讓C趨向于變大的方向搜索。但并不是越大越好，在交叉操作中C也有可能變小，來平衡變異中C變大的趨勢，這樣可以讓算法在總體上盡早收斂。

4 實驗分析

本實驗數(shù)據(jù)來自于凱斯西儲大學(xué)軸承數(shù)據(jù)中心。選取滾動軸承的負(fù)載為0，軸承損傷直徑為0.355 6 mm，軸承轉(zhuǎn)速為1 797，采樣率為12 kHz的正常狀態(tài)、內(nèi)圈故障、外圈故障和滾動體故障四種振動信號。在緊框架訓(xùn)練階段，每種振動信號分別以濾波器個數(shù)為信號長度重疊截取足夠多的樣本，通過設(shè)置訓(xùn)練字典的參數(shù)(本文設(shè)置λ= 0.1)，得到較好的帶通濾波器組。從每種振動信號中選取160個長度為2 048的信號作為測試數(shù)據(jù)，得到640個數(shù)據(jù)，其中480個用作訓(xùn)練集，160個用作測試集，測試樣本順序為：1～40為滾珠故障;41～80為內(nèi)圈故障;81～120為正常狀態(tài);121～160為外圈故障。數(shù)據(jù)樣本經(jīng)第2章處理得到特征向量后使用遺傳算法的優(yōu)化分類器參數(shù)進(jìn)行訓(xùn)練與預(yù)測。

4.1 濾波器數(shù)量對診斷率的影響

為了確定濾波器數(shù)量對診斷正確率的影響，首先將濾波器數(shù)量固定在較大值128個，來測試點數(shù)M和特征向量取前n個最大值對診斷率的影響，表1列出了不同M和n情況下的正確率，可以看出n在取2和3時已經(jīng)達(dá)到很高的正確率，為了提高特征的區(qū)分度，選擇n=8，考慮到故障信號的特征頻率在60～200 Hz，且存在噪聲及各種擾動，選擇M=550，本文以下的實驗均采用同樣的數(shù)值。不同濾波器數(shù)量情況下的診斷正確率,如表2所示，可以看出在濾波器數(shù)量為32時，訓(xùn)練集和測試集的分類正確率已經(jīng)很高，且在濾波器數(shù)量增加到64時，即信號頻域子空間分解的更多更細(xì)的時候，信號特征頻率的響應(yīng)會更加突出，因此診斷率會繼續(xù)增加。為確保診斷率和訓(xùn)練測試時間之間的平衡，選擇濾器數(shù)量為64。

表1 不同M值和n值情況下診斷正確率(訓(xùn)練集/測試集)Tab.1 Diagnostic accuracy under different M values and n values(training set/test set) %

表2 不同濾波器數(shù)量診斷準(zhǔn)確率Tab.2 Diagnostic accuracy of different filter numbers

4.2 遺傳算法與SVM參數(shù)

圖6為遺傳算法迭代次數(shù)與正確率關(guān)系圖，可見20次迭代后即可處于一定的穩(wěn)定狀態(tài)，參數(shù)C和γ參數(shù)如圖6所示，迭代最高正確率接近100%。本文使用的遺傳算法參數(shù)如表3所示。

圖6 遺傳算法優(yōu)化SVM過程Fig.6 The genetic algorithm optimizes the SVM process

表3 遺傳算法與SVM參數(shù)Tab.3 Genetic algorithm and SVM parameters

4.3 實驗結(jié)果

圖7展示了本文提出的自適應(yīng)緊框架訓(xùn)練的方法對振動信號測試集的診斷正確率達(dá)到100%，說明本文方法可以很好地實現(xiàn)故障診斷。以同樣的數(shù)據(jù)用連續(xù)小波尺度能量(continuous wavelet dimension energy,CWTDE)、小波包能量特征(wavelet package energy,WPE)方法、稀疏表示方法(sparse representation,SR)和經(jīng)驗?zāi)B(tài)分解方法(EMD)提取軸承振動信號特征。診斷結(jié)果如表4所示，可以看出本文方法比連續(xù)小波尺度能量方法和稀疏表示的方法對軸承振動信號的診斷正確率有較大的提高；本文方法相比于經(jīng)驗?zāi)B(tài)分解方法有一定的優(yōu)勢，本文構(gòu)造的緊框架自適應(yīng)能力較好；本文方法略優(yōu)于小波包能量特征方法，但它可以根據(jù)振動信號本身構(gòu)造緊框架從而自適應(yīng)解決軸承故障的診斷問題。

圖7 四種類別測試集正確率Fig.7 The accuracy of the test set of four categories

表4 不同方法在DE12000數(shù)據(jù)上診斷正確率Tab.4 The diagnostic accuracy of different methods on DE12000 data

本文另外使用西儲大學(xué)數(shù)據(jù)庫中采樣率為48 kHz的驅(qū)動端數(shù)據(jù)(簡稱DE48000)說明本文方法的優(yōu)勢。其實驗結(jié)果如表5所示。本文方法在DE48000數(shù)據(jù)表現(xiàn)出比其他方法的優(yōu)勢，而其余幾種方法正確率有所下降，本文方法由于基于數(shù)據(jù)自身訓(xùn)練自適應(yīng)能力較強(qiáng)獲得了較好的結(jié)果。

表5 不同方法在DE48000數(shù)據(jù)上診斷正確率Tab.5 The diagnostic accuracy of different methods on DE48000 data

為了進(jìn)一步說明本文方法可以很好地解決軸承故障診斷問題，將三種故障數(shù)據(jù)按照故障深度分別劃分，來說明在識別了故障種類的情況下，本文提出的方法在識別同種故障的故障深度的有效性。得到內(nèi)圈故障、滾珠故障和外圈故障的數(shù)據(jù)，其中每個類別每個故障深度的樣本都為80個,即每組共有數(shù)據(jù)240個，訓(xùn)練和測試樣本數(shù)占比為3∶1。在相同樣本下與其他幾種方法對比得到測試集正確率，如表6所示。在故障類型細(xì)分情況下，CWTDE、SR和EMD方法在識別滾動體故障深度時表現(xiàn)較差，而對于內(nèi)圈故障深度和外圈故障深度的識別率有所提高。由表可以看出，本文方法和WPE方法在識別同種故障不同故障深度時，可以達(dá)到很高的正確率。因此本文提出的方法可以很好地確定軸承故障種類以及故障軸承具體損傷的直徑。

表6 故障細(xì)分時不同方法診斷準(zhǔn)確率Tab.6 The diagnosis accuracy of different methods is different in fault subdivision

5 結(jié) 論

本文提出了一種基于自適應(yīng)緊框架學(xué)習(xí)的滾動軸承故障診斷算法，利用滾動軸承故障數(shù)據(jù)集進(jìn)行緊框架訓(xùn)練，得到可以完全重建原始信號的緊框架，信號經(jīng)緊框架分解后去除較小的稀疏系數(shù)達(dá)到去噪效果；振動信號通過緊框架濾波器組的濾波操作得到信號某些特定的頻帶信息，統(tǒng)計其頻譜部分能量來構(gòu)造振動信號特征向量，通過遺傳算法分類器實現(xiàn)軸承振動信號的正確診斷。本文克服了小波方法無法自適應(yīng)描述軸承故障信號的缺點。仿真實驗表明，本文方法在振動信號診斷問題上具有很強(qiáng)的魯棒性。