首页|基于改进SSA的参数优化VMD和ELM的轴承故障诊断

基于改进SSA的参数优化VMD和ELM的轴承故障诊断

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对滚动轴承早期故障信号微弱、故障特征难以提取导致故障分类效果差的问题,提出了 一种基于改进麻雀搜索算法(Sparrow Search Algorithm,SSA)进行自适应参数优化的变分模态分解(Variational Mode Decomposition,VMD)和多层特征向量融合的极限学习机(Extreme Learning Ma-chine,ELM)的滚动轴承故障诊断方法.首先,根据适应度函数值和迭代次数自适应改变SSA的寻优步长;随后,将改进后的SSA对VMD算法的重要参数(分解个数K和惩罚因子a)进行自动寻优,适用度函数采用最小包络谱熵;接着,提取经SSA-VMD分解后的包络谱熵最小的内蕴模态函数(In-trinsic Mode Function,IMF)分量作为最优分量,并计算其特征值;最后,通过变异系数法筛选,构造均方根值和峰值为第一层二维特征值向量,构造样本熵、峭度和均方根为第二层三维特征值向量,分别送入极限学习机ELM进行滚动轴承故障的训练分类.试验结果表明,本文算法具有良好的故障诊断效果且最终可实现98.25％的分类准确率和93.36％的实际诊断精度.
Bearing Fault Diagnosis Based on Parameter Optimized VMD and ELM with Improved SSA

Rolling bearingEarly fault diagnosisVariational mode decompositionImproved spar-row search algorithmCoefficient of variation methodExtreme learning machine

杨森、王恒迪、崔永存、李畅、唐元超

展开 >

河南科技大学机电工程学院,河南洛阳 471003

机械工业第六设计研究院有限公司,河南郑州 450007

山东朝阳轴承有限公司,山东德州 253200

滚动轴承 早期故障诊断 变分模态分解 改进麻雀算法 变异系数法 极限学习机

山东省重点研发计划

2020CXGC011003

2023

10.16578/j.issn.1004.2539.2023.10.023

机械传动
郑州机械研究所 中国机械通用零部件工业会齿轮分会 中国机械工程学会

机械传动

CSTPCD北大核心
影响因子：0.534
ISSN：1004-2539
年,卷(期)：2023.47(10)
  • 10