基于PSO-BP-Adaboost的旋转机械故障诊断方法研究.pdf

第36卷第4期2023年8月Vol.36 No.4Aug.2023四川轻化工大学学报（自然科学版）Journal of Sichuan University of Science&Engineering(Natural Science Edition)收稿日期：2022-05-15基金项目：四川省科技厅科技支撑项目(2022NSFSC1154);重大危险源测控四川省重点实验室开放基金项目(KFKT-2021-01)作者简介：唐宇峰(1986-),男,副教授,博士,研究方向为人工智能在安全领域的理论及应用、无网格SPH方法的理论及应用,(E-mail)文章编号：20967543（2023）04002608DOI:10.11863/j.suse.2023.04.04基于PSO-BP-Adaboost的旋转机械故障诊断方法研究唐宇峰1,2，蔡 宇1，周 帅2，王 员3，杨泽林1，陈星红1(1.四川轻化工大学机械工程学院，四川 宜宾 644000；2.重大危险源测控四川省重点实验室，成都 610000；3.四川宇泰特种工程技术有限公司，成都 610000)摘 要：针对旋转机械振动信号具有非线性、非平稳的特点，对振动信号进行了多域分析并将PSO-BP-AdaBoost强分类器模型引入到旋转机械故障诊断领域。首先，以粒子群算法优化的BP神经网络为弱分类器，以AdaBoost算法组合构造强分类器建立了分析模型；其次，以某设备振动信号为例，利用集合经验模态分解（EEMD）得到的模态分量计算了其能量特征值，并对时域信号进行分析得到了时域特征值；最后，通过对某转子振动数据进行分析，对比了 PSO-BP-AdaBoost算法与4种传统算法在以时域、能量域、时域+能量域特征值3种不同输入条件下的诊断准确率及效率。结果表明，在采用PSO-BP-AdaBoost算法及同时考虑时域与能量域特征时，其最高诊断准确率达100%，平均诊断准确率达98%，其诊断精度与效率比传统方法具有优势。关键词：旋转机械；故障诊断；集合经验模态分解；粒子群优化算法；AdaBoost；神经网络中图分类号：TP183文献标志码：A引 言旋转机械被广泛应用于化工、冶金、矿山、机电等各种工业领域1。随着旋转机械的规模化、复杂化和自动化发展，其在生产运转过程中不可避免地会发生故障，若不及时发现并排除，轻则导致生产率下降，重则造成人员伤亡和财产损失。因此，研究一种有效的旋转机械故障诊断方法对于避免异常事件的发生，具有十分重要的实际意义。基于数据驱动的旋转机械故障诊断方法无需建立精确的复杂系统模型，仅需大量准确的数据即可做出准确的判断，因此在近年来受到广大学者的关注2-3。其中，人工智能故障诊断模型是数据驱动方法在故障诊断研究领域内的一大研究热点。石启 正 等4以 经 验 模 态 分 解（Empirical Mode Decomposition，EMD）模型分解振动信号，并将各模态 分 量 能 量 比 作 为 输 入 特 征，通 过 遗 传 算 法（Genetic Algorithm，GA）优 化 的BP（Back Propagation）神经网络模型进行了旋转机械故障的分类识别。Zhao等5提出了改进混合蛙跳算法结合BP网络应用于轴承早期故障诊断。Wulandhari等6提出了一种新的基因算法混合技术结合BP网络，用第36卷第4期唐宇峰，等：基于PSO-BP-Adaboost的旋转机械故障诊断方法研究于多轴承系统状态诊断。Jin等7采用集合经验模态分 解（Ensemble Empirical Mode Decomposition，EEMD）模型分解振动信号，并通过多尺度排列熵提取故障特征，最终以GA-BP网络实现了故障诊断。综上，目前人工智能模型在故障诊断领域已经取得了许多成果，然而如何进一步提高诊断精度和效率，仍然需要进一步研究和探索。PSO-BP-AdaBoost模型是一种近年来提出的人工智能模型，由于其在精度及效率方面的优势，近年来逐渐应用于各个智能预测及诊断领域。姜春英 等8提 出 了 粒 子 群 优 化（Particle Swarm Optimization，PSO）和 AdaBoost相结合的算法，对于尺寸超差故障诊断取得了较好的效果。Ji 等9将PSO-BP-AdaBoost模型用于对不同类型差异较小的海 底 沉 积 物 进 行 分 类。邢 垒 等10用 PSO-BP-AdaBoost对矿区开采沉陷进行了预测。Liu等11提出小波包分解与 PSO-BP-AdaBoost 算法结合的混合模型用于预测空气中的悬浮颗粒物。然而，将PSO-BP-AdaBoost应用于旋转机械设备故障诊断领域，并结合振动数据进行故障诊断的研究目前还鲜见报道。本文针对旋转机械故障诊断问题，对振动信号进行了时域、频域以及能量域多方面分析并将PSO-BP-AdaBoost模型引入到旋转机械故障诊断领域。其中，PSO优化BP网络具有结合全局寻优与局部寻优的特点且收敛速度较快，且对比GA优化的BP神经网络方法具有更高的诊断效率，而AdaBoost算法可 有 效 提 升 诊 断 精 度。因 此，基 于 PSO-BP-AdaBoost强分类器的算法可有效提高诊断准确率及效率。以某机械设备振动信号的时域、能量域、时域+能量域3种情况下的特征值为驱动数据，验证该方法相对于传统分析方法的优势，以期为旋转机械故障诊断提供一种新的思路。1 理论基础1.1 BP优化网络BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，BP网络能学习和存贮大量的输入-输出模式映射关系12，而无需事前揭示描述这种映射关系的数学方程，是目前应用最广泛的神经网络，传统BP神经网路结构如图1所示。wijxi+ajf()i=1nwijxi+ajwjkH1+bkx1x2xnH1H2H3HmY1Y2图1 BP神经网络拓扑结构图图中x1，x2，xn为 BP神经网络输入值；wij与wjk为网络权值；aj与bk分别为隐含层阈值和输出层阈值；H1,H2,Hm为隐含层输出；f为隐含层激励函数；Y1与Y2为输出层结果。然而，传统BP算法存在易陷入局部最优解、无法得到全局最优解等缺陷，学者们为此提出了许多优化算法。其中，PSO为目前应用最广泛的群体智能搜索优化算法之一。它通过优化BP网络的初始网络连接权值和网络节点阈值提高BP网络的性能，减少网络迭代次数13。PSO首先在可解空间内生成一群粒子，初始化粒子的速度和位置，通过追踪个体极值Pid和群体极值Pgd，个体极值为每个粒子个体所经历位置中，适应度为最优的位置，群体极值为种群所有粒子所经历位置之中，适应度最优的位置。粒子速度和位置更新分别如式(1)、(2)所示：Vk+1id=wVkid+c1r1(Pkid-Xkid)+c2r2(Pkgd-Xkid)(1)Xk+1id=Xkid+Vk+1id(2)其 中，w为 惯 性 权 重；种 群 中 个 体 数 目 为d=1,2,D；每个个体维数为i=1,2,N；k为当前迭代次数；V为粒子速度；X为粒子位置；c1和c2为非负常数；r1和r2为01之间的随机数；为防止粒子盲目搜索，位置和速度一般分别给定在一个限制区间-Xmax,Xmax和-Vmax,Vmax。272023年8月四川轻化工大学学报（自然科学版）惯性权重越大，全局搜索能力越强；惯性权重越小，局部搜索能力越强。为了平衡局部搜索能力与全局搜索能力，将惯性权重从定值进行改进，本文采用惯性权重，如式(3)所示：w(k)=wstart-(wstart-wend)kTmax(3)其中，wstart为初始惯性权重；wend为PSO算法最大迭代次数的惯性权重；k为当前迭代次数；Tmax 为最大迭代次数。相对于传统BP算法，PSO算法有效解决了易陷入局部最优解的问题，然而其诊断准确率有待进一步改善。1.2 AdaBoost算法理论基础AdaBoost的核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个强分类器。基本步骤为：1）从样本空间抽取p组数据作为训练样本集，每个样本获得相同的权重1/p，将训练样本集放入弱分类器迭代计算，进行预测；2）通过对比预测输出与理想输出，更新样本权值，对于输出与期望输出不匹配的样本赋予更大的样本权值，使相同训练样本到下一个弱分类器得到更大关注；3）同一训练样本集循环M个分类器后，获得每个分类器权值，弱分类器效果越好，分类器权重越大，将多个弱分类器通过加权生成强分类器。1.3 PSO-BP-AdaBoost强分类模型PSO-BP-AdaBoost网络模型首先使用PSO优化改进 BP 神经网络，并利用 AdaBoost 算法合并多个PSO-BP网络的输出，以产生有效分类。对于k个类别的多分类问题，传统AdaBoost通常采用基于二分类的“一对一”和“一对多”的方法，随着训练样本数以及训练样本种类的增加，分类速度急剧减慢，可能导致分类器达不到应用要求14。针对此类问题，本文结合 BP 神经网络分类和逐步叠加建模算法（Stagewise Additive Modeling using a Multi-class Ex-ponential loss function，SAMME）15，对 AdaBoost算法权值分配进行改进，最后输出多分类结果。PSO-BP-AdaBoost强分类器模型流程如图2所示。确定BP结构训练样本数据初始化权值阈值样本权重初始化弱分类器PS0-BP网络权重训练计算适应度满足目标条件？根据误差计算当前分类器权重更新样本权重PS0优化到达循环次数？更新最优权值阈值强分类器PSO-BP-Adaboost模型NNYY图2 强分类器PSO-BP-AdaBoost模型流程基于结合SAMME算法及PSO-BP-AdaBoost模型的故障分类算法思路如下。1）数据预处理和网络初始化。根据样本输入节点数和输出节点数，确定网络结构，将样本数据划分为训练集和测试集，并对数据进行归一化处理。神经网络的隐含层节点数的确定如式(4)所示：l m+n+a(4)其中，n为输入层节点数；m为输出层节点数；a为010之间的常数；l为隐含层节点数。2）依据BP网络待优化参数，设定粒子群算法中的种群规模、迭代次数、粒子速度和位置限制等。参数设置如下：种群规模为10，最大迭代次数为50，粒子最大速度为1，粒子最小速度为-1，粒子位置最大值为3，粒子位置最小值为-3，变异概率为0.04。3）初始化粒子速度和粒子位置，计算适应度值，把预测误差和当作适应度值，其值大小表示粒子的优劣，更新粒子速度和粒子位置，重复上述过程，当适应度值满足误差条件或达到最大迭代次数时，输出最优网络连接权值和网络节点阈值。4）基本分类器权重初始化。训练集从样本空间选取p组数据作为训练，训练数据的分布权重初28第36卷第4期唐宇峰，等：基于PSO-BP-Adaboost的旋转机械故障诊断方法研究始化过程如式(5)所示：Du(j)=1/p(5)其中，p为训练样本组数；Du(j)表示第u个弱分类器中第j个样本权重；j=1,2,p；u=1,2,M；M表示弱分类器数量。5）循环u=1:M使用弱分类器PSO-BP训练数据，得到预测输出，与期望输出作对比，计算误差率：eu=j=1pDu(j),fu(j)y(j)(6)其中fu(j)为第u个弱分类器中第j个样本预测分类输出；y(j)为第j个样本期望分类输出。通过误差率，计算第u个弱分类器的权重：au=ln(1-eueu)+ln(t-1)(7)其中t为分类数目。更新训练样本权重值，下一轮训练样本的权重根据弱分类器权重au进行调整：Du+1(j)=Du(j)Bu exp(-aufu()j y(j)(8)为了保持权重比例不变的情况下分布权值之和为1，Bu为第u个分类器的归一化因子：Bu=j=1pDu(j)exp(-aufu(j)y(j)(9)6）循环完所有分类器，输出PSO-BP-AdaBoost强分类器G(x)：G(x)=round u=1Mau()PSO-BP(x)(10)其中PSO-BP()x为M个弱分类器预测分类输出矩阵，round()表示四舍五入取整函数。2 算例分析为了验证模型的有效性及精度，文中采用源自武汉大学的小波去噪后的转子振动数据16。实验共180组转子振动数据，其中包括正常振动数据45组，其余3类故障振动数据各45组。每种类型振动数据随机不重复抽取35组，共140组作为训练数据，其余为验证数据，原始信号如图3所示。0.050-0.050 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s0.10-0.1-0.20 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s(a)转子正常振动信号(b)转子接触摩擦振动信号0.10-0.10 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s0.10-0.1-0.20 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s(c)转子不平衡振动信号(d)转子不对中振动信号图3 转子4种不同状态振动信号2.1 信号特征值提取采集到的原始信号维度高，不适合直接作为神经网络的特征输入，而从原始信号中提取特征信息可有效降低输入特征维度17。为多角度分析本文提出方法的可靠性和精度，将网络输入分为3种情况：1）仅使用时域特征参数作为输入；2）仅使用能量特征参数作为输入；3）时域特征+能量特征参数结合作为输入。2.1.1 能量域特征值提取能量域特征值提取方法有很多，本文采用EEMD对振动信号进行分解，计算各模态分量能量特征值。EEMD是针对 EMD模态叠加提出的噪声292023年8月四川轻化工大学学报（自然科学版）辅助数据分析方法，相比于小波分解有自适应分解的优点，不用根据先验知识选择小波函数。在本算例中，所添加白噪声的幅值为原始信号标准差的0.2倍，加入噪声次数为100。以转子不对中振动信号45组数据其中1组为例，高频分量包含了信号大部分能量和故障信息，故在此主要展示前6阶IMF分量如图4所示，从上至下依次为IMF1、IMF2、IMF3、IMF4、IMF5与IMF6。根据能量特征计算公式18，可得到6个模态分量的能量特征值。幅值a/g时间t/s1050-510-30 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s0.10-0.10 0.2 0.4 0.6 0.8 1.0(a)IMF1(b)IMF2幅值a/g时间t/s0.040.020-0.02-0.040 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s0.040.020-0.02-0.040 0.2 0.4 0.6 0.8 1.00 0.2 0.4 0.6 0.8 1.0(c)IMF3(d)IMF4幅值a/g时间t/s0.050-0.050 0.2 0.4 0.6 0.8 1.0幅值a/g时间t/s1050-510-30 0.2 0.4 0.6 0.8 1.00 0.2 0.4 0.6 0.8 1.0(e)IMF5(f)IMF6图4 转子不对中振动信号EEMD分解结果2.1.2 时域特征值提取目前，常用的时域特征值有峰值、均方根、峭度、波形指标、裕度指标等。其中，有量纲指标通常会随负载、转速等条件变化而变化，很难加以区分。裕度指标和峭度指标属于无量纲指标，可以在设备的转速和负载等变化时仍具有良好的稳定性和对早期故障的敏感性19；均方根也称有效值，可反映信号发送功率的能力，故在本文中选用裕度指标、峭度指标和均方根3种时域特征值作为该算例驱动数据。根据时域特征计算公式20，可得到均方根、裕度指标与峭度指标3种时域特征值。2.2 基于 PSO-BP-AdaBoost 的转子故障诊断研究为验证算法的可靠性及精度，本算例中对3种不同特征值输入条件下的 5种诊断算法进行了对比。根据特征向量数以及输出标签确定BP神经网络基础结构，一个3层的BP神经网络就可以完成n维到m维的映射，所以实验设计隐含层层数为1层。由于BP神经网络权值阈值初始随机化和PSO优化参数的不可复现性，诊断结果取 10次诊断的平均值。不同诊断算法的诊断准确率和诊断效率见表1。表1 不同诊断算法诊断结果诊断算法BPGA-BPPSO-BPGA-BP-AdaBoostPSO-BP-AdaBoost特征输入类型时域特征IMF分量能量特征时域+能量特征时域特征IMF分量能量特征时域+能量特征时域特征IMF分量能量特征时域+能量特征时域特征IMF分量能量特征时域+能量特征时域特征IMF分量能量特征时域+能量特征最佳诊断正确率/%70839393939793100979310010093100100平均诊断正确率/%506281789086829089859496859798平均耗时/s0.630.660.6744.1738.8731.0021.1919.1315.5195.20130.10145.4057.4952.3049.4530第36卷第4期唐宇峰，等：基于PSO-BP-Adaboost的旋转机械故障诊断方法研究根据表1对比可知，相比于传统的BP、PSO-BP及GA-BP算法，PSO-BP-AdaBoost算法在不同特征值输入的情况下的诊断准确率都有大幅提升，但由于加入了 AdaBoost 强分类器，其计算耗时有所增加，但相对比诊断准确率同样较高的 GA-BP-AdaBoost 算法，其计算耗时仅为 GA-BP-AdaBoost算法的1/31/2。图5所示为不同诊断算法的10次预测结果，由于时域特征+能量特征作为各个不同算法输入时诊断效果较好，准确率较高，故本文仅对该特征值组合作为输入的情况进行分析。1.00.80.60.40.202 4 6 8 10预测次数预测正确率BPGA-BPPSO-BPGA-BP-AdaboostPSO-B P-Adaboost图5 不同诊断算法10次预测结果图 5 中 可 见，PSO-BP-AdaBoost 和 GA-BP-AdaBoost准确度优于其余3种算法且每次预测结果较稳定，波动性不大。4种经过优化后的网络预测结果都明显优于 BP网络，验证了优化算法的有效性，但是通过对PSO-BP与GA-BP进行比较以及对PSO-BP-AdaBoost 与 GA-BP-AdaBoost 进行比较，均显著表明PSO优化BP算法平均耗时更短，诊断效率更高。为进一步观察本文方法的优势，本文将不同算法下的均方误差收敛情况进行了对比，以PSO-BP-AdaBoost算法为例，收敛趋势情况如图6所示，各算法收敛迭代步数见表2。由表 2 可见，PSO-BP-AdaBoost 算法的收敛速度（3 次）略优于 GA-BP-AdaBoost 的收敛速度（4次），而相比于PSO-BP（18次）、GA-BP（23次）和BP（32次）收敛速度明显加快，进一步反映出PSO-BP-AdaBoost算法的优势。10010-2均方误差0 0.5 1.0 1.5 2.0 2.5 3.03 EpochsTrainValidationTestBestGoal图6 不同算法误差收敛趋势对比表2 不同诊断算法收敛迭代次数诊断算法BPGA-BPPSO-BPGA-BP-AdaBoostPSO-BP-AdaBoost收敛迭代次数322318433 结 论本文将 PSO-BP-AdaBoost 模型引入到旋转机械故障诊断领域，并以多种不同特征作为输入与BP及其多种优化算法的诊断准确率和效率进行了对比，得到以下结论：1）相对于传统的 BP、PSO-BP、GA-BP 神经网络，PSO-BP-AdaBoost算法在进行旋转机械故障诊断分析时具有更高的诊断准确率，而相对于准确率较高的 GA-BP-AdaBoost 算法，PSO-BP-AdaBoost具有更高的诊断效率。2）在进行机械设备故障诊断时，采用能量域特征值进行故障诊断比采用时域特征值有更高的准确性；而采用时域+能量域特征值输入可从多角度发掘表征转子运行状态的特征量，比单独采用两种特征值具有更高的诊断准确率。因此，基于多维度信息更有利于提高故障诊断的可靠性。312023年8月四川轻化工大学学报（自然科学版）参考文献：1 吴定海,任国全,王怀光,等.基于卷积神经网络的机械故障诊断方法综述J.机械强度,2020,42(5):1024-1032.2 陈佳豪,吴浩,李栋,等.基于精细复合多尺度散布熵的高压断路器机械故障诊断方法J.四川轻化工大学学报(自然科学版),2021,34(4):40-47.3 徐海燕,李栋,吴浩,等.基于改进免疫遗传的配电网故障区段定位研究J.四川轻化工大学学报(自然科学版),2022,35(2):63-69.4 石启正,续秀忠.运用EMD能量比和GA-BP网络诊断旋转机械故障J.噪声与振动控制,2018,38(2):168-172.5 ZHAO Z Z,XU Q S,JIA M P.Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosisJ.Neural Computing and Applications,2016,27(2):375-385.6 WULANDHARI L A,WIBOWO A,DESA M I.Condition diagnosis of multiple bearings using adaptive operator probabilities in genetic algorithms and back propagation neural networksJ.Neural Computing and Applications,2015,26(1):57-65.7 JIN T,CHENG Q,CHEN H,et al.Fault diagnosis of rotating machines based on EEMD-MPE and GA-BPJ.The International Journal of Advanced Manufacturing Technology,2023,124,3911-3922.8 姜春英,康玉祥,叶长龙,等.改进PSO_BP_Adaboost算法在尺寸超差故障诊断中的应用J.中国机械工程,2018,29(20):2490-2494.9 JI X,YANG B S,TANG Q H.Acoustic seabed classification based on multibeam echosounder backscatter data using the PSO-BP-AdaBoost algorithm:a case study from Jiaozhou Bay,ChinaJ.IEEE Journal of Oceanic Engineering,2021,46(2):509-519.10 邢垒,原喜屯,张沛.基于Adaboost-PSO-BP模型的开采沉陷预测研究J.煤炭工程,2020,52(12):141-144.11 LIU H,JIN K,DUAN Z.Air PM 2.5 concentration multi-step forecasting using a new hybrid modeling method:comparing cases for four cities in ChinaJ.Atmospheric Pollution Research,2019,10(5):1588-1600.12 黄文超,王林军,刘晋玮,等.基于多特征融合与GA-BP模型的滚动轴承故障识别J.机床与液压,2021,49(6):170-173,89.13 WANG P,SONG J,LIANG F,et al.Equivalent model of multi-type distributed generators under faults with fast-iterative calculation method based on improved PSO algorithmJ.Protection and Control of Modern Power Systems,2021,6(1):1-12.14 SHAFQAT W,MALIK S,LEE K T,et al.PSO based optimized ensemble learning and feature selection approach for efficient energy forecastJ.Electronics,2021,10(18):2188.15 吕雁飞,侯子骄,张凯.多分类BP-AdaBoost算法研究与应用J.高技术通讯,2015,25(5):437-444.16 LIU D,XIAO Z H,HU X,et al.Feature extraction of rotor fault based on EEMD and curve codeJ.Measurement,2019,135:712-714.17 陈亚楠,胡凯凯,陈刚.基于机器学习的旋转机械故障诊断研究J.风能,2020(12):74-78.18 唐静,王二化,朱俊,等.基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用J.机床与液压,2020,48(20):161-166.19 周建民,王发令,张臣臣.基于特征优选和GA-SVM的滚动轴承智能评估方法J.振动与冲击,2021,40(4):227-234.20 ZHOU J M,WANG F L,ZHANG C C.An intelligent method for rolling bearing evaluation using feature optimization and GA-SVMJ.Journal of Vibration and Shock,2021,40(4):227-234.引用格式：中 文:唐宇峰,蔡宇,周帅,等.基于PSO-BP-Adaboost的旋转机械故障诊断方法研究J.四川轻化工大学学报(自然科学版),2023,36(4):26-33.32第36卷第4期唐宇峰，等：基于PSO-BP-Adaboost的旋转机械故障诊断方法研究英 文:TANG Y F,CAI Y,ZHOU S,et al.Research on fault diagnosis method of rotating machinery based on PSO-BP-AdaBoostJ.Journal of Sichuan University of Science&Engineering(Natural Science Edition),2023,36(4):26-33.Research on Fault Diagnosis Method of Rotating Machinery Based on PSO-BP-AdaBoostTANG Yufeng1,2,CAI Yu1,ZHOU Shuai2,WANG Yuan3,YANG Zelin1,CHEN Xinghong1(1.School of Mechanical Engineering,Sichuan University of Science&Engineering,Yibin 644000,China;2.Sichuan Provincial Key Laboratory of Major Hazard Source Measurement and Control,Chengdu 610000,China;3.Sichuan Yutai Special Engineering Technology Co.,Ltd.,Chengdu 610000,China)Abstract:Dealing with the features of nonlinearity and nonstationarity of the vibration signal of rotating machinery,the vibration signal has been analyzed in multi domain,and the PSO-BP-AdaBoost strong classifier model is introduced into the field of rotating machinery fault diagnosis.Firstly,the BP neural network optimized by particle swarm optimization algorithm is used as the weak classifier,and the AdaBoost algorithm is combined to construct the strong classifier,thus the analysis model is established;secondly,taking the vibration signal of an equipment as an example,the energy eigenvalues are calculated by using the modal components obtained by Ensemble Empirical Mode Decomposition(EEMD),and the time-domain eigenvalues are obtained by analyzing the time-domain signal;finally,through analyzing the vibration data of a rotor,the diagnosis accuracy and efficiency of PSO-BP-AdaBoost algorithm under three different input conditions of time domain,energy domain and“time domain+energy domain”eigenvalues are compared with four traditional algorithms.The results show that when the characteristics of time domain and energy domain are taken into consideration with using the PSO-BP-AdaBoost algorithm at the same time,the highest diagnostic accuracy is 100%and the average diagnostic accuracy is 98%,whose diagnostic accuracy and efficiency are superior to the traditional methods.Key words:rotating machinery;fault diagnosis;ensemble empirical mode decomposition;particle swarm optimization;AdaBoost;neural network33