基于VMD和POA-SVM的滚动轴承故障诊断

作     者：高川 苏淑靖 GAO Chuan;SU Shujing

作者机构：中北大学省部共建动态测试技术国家重点实验室太原030051 

出 版 物：《微电机》 (Micromotors)

年 卷 期：2024年第57卷第10期

页      面：42-47,61页

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金项目(51875534) 

主　　题：变分模态分解 孔雀优化算法 多尺度样本熵 支持向量机 轴承故障诊断 

摘      要：针对三相电机轴承故障状态识别的问题,提出一种变分模态分解(Variational mode decomposition,VMD)与孔雀优化算法(Peafowl Optimization Algorithm,POA)优化支持向量机(Support Vector Machines,SVM)结合的故障识别方法,通过VMD将轴承的不同故障信号数据分解为多个本征模态分量(IMF),首先,根据样本熵选出合适的IMF重构成最优的特征信号;其次,计算特征信号的时域特征、能量熵、多尺度样本熵值,构成多维特征向量矩阵;最后,使用孔雀优化算法对SVM的惩罚参数和核函数进行优化,建立POA-SVM诊断模型,将构建好的多维特征向量矩阵输入到模型中进行诊断。将孔雀优化算法支持向量机(POA-SVM)与金豺优化算法(Golden Jackal Optimization,GJO)支持向量机(GJO-SVM)、粒子群优化算法(Porticle Swarm Optimization,PSO)支持向量机(PSO-SVM)进行对照试验,结果表明,POA-SVM相比GJO-SVM和PSO-SVM在不同工况下的故障识别率和稳定性有明显的提高。