基于参数优化VMD和样本熵的滚动轴承故障诊断

摘要：

针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Vari-ational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.

关键词：变分模态分解、参数优化、遗传变异粒子群、样本熵、故障诊断

所属期刊栏目：48

分类号：TH113.1;TP277;TP391

资助基金：国家自然科学基金61773106

在线出版日期：2022-04-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：808-819