基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

• 作者: 吕世君 姚成玉 孙飞 来博文 陈东宁
• 来源期刊: 中国机械工程
• 关键词: 故障诊断 变分模态分解 最小熵解卷积 模糊近似熵 支持向量机
• 年，卷（期）: 2017,（24）
• 所属期刊栏目: 智能制造
• 页码范围: 3001-3012
• 页数: 12页
• 分类号: TH165.3|TH133.33
• 语种: 中文
• DOI: 10.3969/j.issn.1004-132X.2017.24.017

摘要

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类.首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类.将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性.与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姚成玉	燕山大学河北省工业计算机控制工程重点实验室	72	999	16.0	29.0
2	来博文	燕山大学河北省工业计算机控制工程重点实验室	3	39	3.0	3.0