基于小波包分解和宽度学习的轴承故障检测

针对真实环境中复杂变工况情况下轴承故障检测问题，提出一种基于小波包分解（Wavelet Packet Decomposition,WPD）和优化宽度学习系统（Broad Learning System,BLS）的轴承故障检测方法（简称WBLS）。首先，小波包分解非平稳时变轴承信号，提取尺度系数和小波系数作为二维的时频特征；其次，将二维时频特征输入BLS网络和具有增量学习的BLS网络映射成特征节点和增量节点，借助伪逆计算BLS网络的权重；最后，将特征节点、增量节点拼接与权重同时输出，完成BLS网络训练，进行测试分类。通过在CWRU公开数据集上的实验结果表明，基于WBLS的方法分类准确率为97.67%，网络训练耗时9.62 s，说明该方法能在保持较优分类准确率的同时，快速完成训练，节省大量时间。