为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀疏编码中,提出一种有监督稀疏编码(Supervised Sparse Coding,SSC)方法,建立基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和SSC的振动信号特征提取和故障状态精细分类模型。首先,通过HHT获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析,使用HHT-SSC-SVM模型,驱动端轴承故障状态识别率为99.5%,风扇端轴承故障状态识别率为98.25%,与文中其他模型相比,在故障状态识别率上有所提高,并且表现出来较强的适应能力。
