基于CEEMDAN多尺度熵和SSA-SVM的滚动轴承故障诊断研究*

2021-05-24李焕锋刘自然

机电工程 2021年5期

李怡,李焕锋,刘自然

(河南工业大学机电工程学院,河南郑州 450001)

0 引言

滚动轴承作为旋转机械的重要组成部分,一旦发生故障时,旋转机械就会受到很大的影响。因此,对滚动轴承故障诊断研究是十分必要的[1]。

在故障特征提取方面,自适应白噪声完整经验模态分解(CEEMDAN)是Torres等人在集合经验模态分解(EEMD)算法的基础上,提出来的一种信号处理算法[2]。该算法对EEMD算法进行了优化处理。与EEMD算法相比,CEEMDAN算法改善了分解的完整性,降低了重构的误差,还提高了分解的效率。

在故障分类方面,支持向量机(SVM)被广泛应用于机械故障诊断方面[3]。它在解决非线性、小样本以及高维模式识别的问题中有很好的表现[4]。但在SVM中,惩罚因子C以及核函数参数σ的取值对故障诊断的准确性起决定性的作用[5]。为了提高SVM故障识别的准确率,张小龙等人[6]提出了一种基于ITD复杂度和PSO-SVM的滚动轴承故障诊断。赵蕾等人[7]提出了一种基于FOA-WPT降噪和PSO-SVM的滚动轴承故障诊断方法。时培明等人[8]提出了一种基于分形维数和GA-SVM的轴承故障诊断方法。然而传统的智能算法在优化SVM参数时,存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,从而导致其故障分类的准确率较低。

本文引入一种麻雀搜索算法优化支持向量机(SSA-SVM),提出一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法,用于轴承故障诊断,并通过实验来证明该方法能够准确地获得故障信息,且故障识别效果更好。