基于InMPE和MFO-SVM的变负载滚动轴承故障诊断

作者：袁建明，刘 宇，胡志辉，等 日期：2023-10-19/span> 浏览：375 查看PDF文档

摘要:由于在变负载工况下,提取滚动轴承故障特征较为困难,且其故障识别准确率也较低,为此,提出了一种基于插值多尺度排列熵(InMPE)和飞蛾火焰优化支持向量机(MFOSVM)的滚动轴承故障诊断方法。首先,在粗粒化时采用三次样条插值代替传统多尺度排列熵(MPE)中的线性插值,设计了InMPE算法,利用美国凯斯西储大学(CWRU)轴承数据集,分析了不同序列长度、嵌入维数和负载对InMPE的影响;然后,使用飞蛾火焰算法(MFO)优化了支持向量机(SVM),构建了基于InMPE和MFOSVM的故障诊断模型;最后,搭建了轴承故障诊断试验台,制作了变负载工况下滚动轴承故障特征样本集,对基于InMPE与MFOSVM的故障诊断方法的有效性和先进性进行了验证。研究结果表明:在变负载工况下,采用基于InMPE与MFOSVM方法所得的故障识别准确率达到了98.5%,而采用传统MPE方法所得的故障识别准确率为95.9%;在噪声背景下,采用基于InMPE与MFOSVM方法所得的识别准确率为92.4%,优于后者的80.0%准确率;证明基于InMPE与MFOSVM的方法能有效识别出滚动轴承的故障信息,且对噪声具有较好的鲁棒性。

关键词:滚动轴承;故障诊断;变负载工况;多尺度排列熵;插值多尺度排列熵;飞蛾火焰算法;支持向量机

中图分类号:TH133.3;TH17文献标识码:A文章编号:1001-4551(2023)08-1185-09


本文引用格式:

袁建明,刘宇,胡志辉,等.基于InMPE和MFO-SVM的变负载滚动轴承故障诊断［J］.机电工程,2023,40(8):1185-1193.

YUAN Jian-ming, LIU Yu, HU Zhi-hui, et al. Fault diagnosis of rolling bearings experiencing variable loads based on InMPE and MFO-SVM［J］.Journal of Mechanical & Electrical Engineering, 2023,40(8):1185-1193.