摘要
滚动轴承在现代生活生产中扮演极其重要的角色，若发生故障会对日常生活
生产造成重大影响，同时也不可避免地造成经济损失。因滚动轴承故障的多样性
和不确定性，为确定其状态具有难度。因此，对滚动轴承振动信号进行故障诊断
分类具有十分重要的工程意义和应用价值。本文从滚动轴承的故障特征提取和故
障诊断模型两方面入手，提出基于VMD-HHT边际谱法与SSA-DBN网络模型结
合的故障诊断方法，主要工作有：
（1）对目前故障诊断技术进行了解，发现由于滚动轴承的振动信号具有非线
性、非平稳的特点。提出变分模态分解（VariationalModeDecomposition,VMD）
结合希尔伯特黄（Hilbert-HuangTransform,HHT）边际谱组成VMD-HHT边际谱
方法，对滚动轴承振动信号进行故障特征分量提取。实验证明，该方法在滚动轴
承振动信号的特征提取工作中有良好的表现。
（2）结合深度置信网络（DeepBeliefNetwork,DBN）和麻雀搜索算法（Sparrow
SearchAlgorithm,SSA）组成SSA-DBN模型，使用SSA算法对DBN模型中权重
参数进行优化，以达到降低随机因素的影响并进一步提高诊断正确率。因SSA算
法数学公式不严谨，根据参考文献修正SSA算法，并通过比较粒子群算法（Particle
Swarmoptimization,PSO）、人工蜂群算法（ArtificialBeeColony,ABC）、免疫算法
（ImmuneAlgorithm,IA），验证修正后的SSA算法的可行性。利用公共数据集实
验证明，SSA-DBN模型相比于DBN模型，能进一步提高诊断正确率。
（3）利用美国凯斯西储大学滚动轴承数据集，使用VMD-HHT边际谱方法提
取故障特征向量，分别输入到DBN模型和SSA-DBN模型进行故障诊断。实验证
明，VMD-HHT边际谱法可与DBN模型和SSA-DBN模型进行结合使用；SSA-DBN
模型相对于DBN模型，诊断精确度上更高。
本文提出的方法有能力从多种轴承工况状态中准确识别分类状态，具有较高
的准确度，具有一定的应用价值。同时也可以为其他具有非线性、非平稳特点设
备诊断提供参考。
关键词：滚动轴承，深度置信网络，麻雀搜索算法，故障诊断，变分模态分解，
希尔伯特黄变换
ABSTRACT
Rollingbearingplaysanextremelyimportantroleinmodernlife.Ifitbreaksdown,
itwillhaveagreatimpactondailylifeandinevitablycauseeconomicloss.Becauseof
thevarietyanduncertaintyofrollingbearingfaults,itisdifficulttodetermineitsstate.
Therefore,thefaultdiagnosisclassificationofrollingbearingvibrationsignalsisof
greatengineeringsignificanceandapplicationvalue.Thispaperpresentsafault
diagnosismethodbasedonVMD-HHTmarginalspectrummethodandSSA-DBN
networkmodelfromtwoaspectsoffaultfeatureextractionandfaultdiagnosismodelof
rollingbearing:
(1)Itisfoundthatthevibrationsignalofrollingbearingisnon-linearand
non-stationarybyanalyzingthecurrentfaultdiagn