文献类型：期刊文章

作　　者：王双海[1] 米大斌[2] 芦浩[3] 姜文[1] 龚思远[2] 梁涛[3]

WANG Shuanghai;MI Dabin;LU Hao;JIANG Wen;GONG Siyuan;LIANG Tao(Hebei Construction Investment Energy Investment Co.,Ltd.,Shijiazhuang Hebei 050011,China;Hebei Construction Investment Group Co.,Ltd.,Shijiazhuang Hebei 050051,China;School of Artificial Intelligence and Data Science,Hebei University of Technology,Tianjin 300131,China)

机构地区：[1]河北建投能源投资股份有限公司,河北石家庄050011 [2]河北建设投资集团有限责任公司,河北石家庄050011 [3]河北工业大学人工智能与数据科学学院,天津300131

出　　处：《机床与液压》

基　　金：河北省科技支撑计划资助项目(19210108D)。

年　　份：2022

卷　　号：50

期　　号：2

起止页码：183-191

语　　种：中文

收录情况：BDHX、BDHX2020、ZGKJHX、核心刊

摘　　要：针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法。变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取。为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化。利用参数优化的VMD将轴承原始振动信号分解为若干本征模态分量,计算与原始信号相关性较高的部分模态分量的排列熵构成故障特征,利用t-SNE方法进行降维得到低维特征向量并将其作为支持向量机分类器的输入,实现故障类型的诊断。将该方法应用到轴承故障诊断中并与EMD+排列熵+t-SNE、EEMD+排列熵+t-SNE、LMD+排列熵+t-SNE、传统VMD+排列熵+t-SNE四种特征提取方法进行对比。实验结果表明:该方法能更准确地提取轴承的故障特征,有效实现轴承的故障诊断。

关 键 词：变分模态分解  多岛遗传算法  排列熵  t-SNE  故障诊断

分 类 号：TH212] TH213.3