一种基于经验模态分解与贝叶斯网络的故障诊断方法

本发明提出一种基于经验模态分解和贝叶斯网络的故障诊断方法，旨在解决现有技术中特征提取不准确和诊断模型容错能力不足的问题。本发明的技术方案包括以下步骤：首先，采用自适应噪声集成经验模态分解（ICEEMDAN）方法对多源传感器采集的信号进行分解，得到所有平稳的本征模函数（IMF）分量；其次，采用余弦相似度（CS）算法作为IMF分量筛选指标，设计基于CS的IMF筛选方法，提取包含故障信息的关键特征；最后，将关键特征作为输入构建包含结构学习（MGM‑FA）、参数学习以及JT推理的贝叶斯网络模型，实现机械故障类型的准确识别。实验结果表明，该方法的故障诊断准确率可达95%，具有较强的故障识别能力。