文献类型：期刊文章

作　　者：封成东[1] 李玥[1] 封成智[2]

FENG Chengdong;LI Yue;FENG Chengzhi(College of Information Science and Technology,Gansu Agricultural University,Lanzhou 730000,China;Gansu Productivity Promotion Center,Lanzhou 730000,China)

机构地区：[1]甘肃农业大学信息科学技术学院,甘肃兰州730000 [2]甘肃省生产力促进中心,甘肃兰州730000

出　　处：《甘肃农业大学学报》

基　　金：国家自然科学基金项目(32060437,31360315);甘肃农业大学青年导师基金项目(GAU-QDFC-2020-12)。

年　　份：2023

卷　　号：58

期　　号：2

起止页码：215-225

语　　种：中文

收录情况：CAS、CSCD、CSCD_E2023_2024、JST、RCCSE、ZGKJHX、普通刊

摘　　要：【目的】为了更好地提取滚动轴承故障信号特征并提高故障的分类准确率,提出了基于变分模态分解(VMD)、样本熵和改进极限学习机(ELM)的滚动轴承故障诊断方法。【方法】首先,采用VMD算法对轴承信号进行分解,通过中心频率和频率混叠确定VMD分解层数,提取VMD分解后各模态分量的样本熵并构建特征样本;然后,建立ELM的诊断模型,引入麻雀搜索算法(SSA)和改进的麻雀搜索算法(ISSA)分别优化ELM输入层与隐含层神经元之间的连接权值及隐含层神经元的阈值;最后,将样本熵特征样本输入诊断模型进行滚动轴承的故障识别。【结果】仿真结果表明,ELM、SSA-ELM和ISSA-ELM 3种诊断模型的准确率平均值分别为93.33%、95.83%、97.50%,表明提出的优化模型ISSA-ELM相对ELM和SSA-ELM的诊断精度更高、泛化性能更优,对滚动轴承的故障分类效果较好。【结论】基于VMD样本熵和改进ELM的诊断方法不仅能有效地提取故障特征,而且实现较高准确率的故障识别效果。

关 键 词：滚动轴承 VMD  样本熵  SSA ELM

分 类 号：TH133.3] TH165