基于自适应VMD与GRNN的转子系统故障诊断方法研究

提出一种基于自适应变分模态分解(Variational Mode Decomposition,VMD)与广义回归神经网络(Generalized Regression Neural Network,GRNN)的故障诊断方法,有效解决转子系统振动信号特征提取与复合故障模式识别的问题。首先通过VMD将采集到的原始信号自适应分解为一系列的内涵模态分量(Intrinsic Mode Functions,IMF),然后根据相关系数-峭度准则选取IMF分量进行信号重构。最后获取重构信号的精细复合多尺度散布熵(Refined Composite Multiscale Dispersion Entropy,RCMDE)、均方根以及重心频率构成特征向量集,输入到GRNN神经网络进行训练和故障模式识别。数值仿真与故障模拟实验结果表明:采用基于自适应VMD与GRNN神经网络的方法可有效识别转子系统中的多故障模式。