文献类型：期刊文章

作　　者：刘建昌[1] 权贺[1] 于霞[1] 何侃[2] 李镇华[1]

LIU Jian-Chang;QUAN He;YU Xia;HE Kan;LI Zhen-Hua(College of Information Science and Engineering,Northeastern University,Shenyang 110819;Hangzhou Research Institute,Huawei Technology Co.,Ltd.,Hangzhou 310007)

机构地区：[1]东北大学信息科学与工程学院,沈阳110819 [2]华为技术有限公司杭州研究所,杭州310007

出　　处：《自动化学报》

基　　金：国家自然科学基金(61773106)资助。

年　　份：2022

卷　　号：48

期　　号：3

起止页码：808-819

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.

关 键 词：变分模态分解  参数优化 遗传变异粒子群  样本熵  故障诊断

分 类 号：TH133.33]