摘要
为了有效实现滚动轴承故障诊断,提出一种麻雀搜索算法(SSA)优化特征模态分解(FMD)和支持向量机(SVM)的轴承故障诊断方法.该方法首先针对FMD中需要人为选择的模态数量和滤波器窗长这两个关键参数,利用SSA实现自适应选择,提高了参数选取的准确性和效率.然后,利用最优参数组合下的FMD对不同类型的滚动轴承故障信号进行分解,得到了一系列模态分量,并计算了每个模态分量的熵指标,以及不同状态下轴承信号的时频指标.随后,将时频特征和熵特征结合起来构建滚动轴承故障特征矩阵,为后续的故障诊断提供了更加丰富和准确的特征信息.最后,通过SSA优化SVM的惩罚因子和高斯径向基核函数参数,进一步提高了模型的识别精度和效率.实验证明,该方法在凯斯西储大学轴承数据集上取得了良好的效果,能够有效地诊断不同尺寸和不同类型的轴承故障类型.与未经过优化的方法相比,诊断准确率提高了 5.28%,表明该方法具有良好的适用性和实用价值.
维普
万方数据