基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

• 作者: 郑小霞 蒋海生 刘静 魏彦彬
• 来源期刊: 轴承
• 关键词: 滚动轴承 故障诊断 变分模态分解 灰狼算法 极限学习机
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 测试与应用|Test and Application
• 页码范围: 48-53
• 页数: 6页
• 分类号: TH133.33|TN911.7
• 语种: 中文
• DOI: 10.19533/j.issn1000-3762.2021.09.008

摘要

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法.采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别.通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进行了噪声鲁棒性验证.滚动轴承现场故障数据的诊断结果以及与常规极限学习机(ELM)和多隐层极限学习机(M-ELM)的对比分析表明,GWO-ELM模型能够有效识别滚动轴承故障类型,而且具备较高的故障识别率和较快的诊断速度.