基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

作者：张婕,张梅,陈万利. 日期：2023-07-18/span> 浏览：329 查看PDF文档

摘要:为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOASVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明:该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。

关键词:轴承故障诊断;变分模态分解;精细复合多尺度均值散布熵;鲸鱼算法;支持向量机;超参数寻优

中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2023)05-0682-09


本文引用格式:

张婕,张梅,陈万利.基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断［J］.机电工程,2023,40(5):682-690.

ZHANG Jie, ZHANG Mei, CHEN Wan-li. Bearing fault diagnosis based on VMD and RCMMDE［J］.Journal of Mechanical & Electrical Engineering, 2023,40(5):682-690.