基于VMD和优化SSA-ELM的齿轮箱故障诊断

针对传统滤波器对齿轮箱信号去噪不充分和模型识别准确率低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和改进麻雀搜索算法(sparrow search algorithm,SSA)来优化极限学习机(extreme learning machine,ELM)的齿轮箱故障诊断模型。通过改进VMD后含噪分量的选取方式,并结合小波包阈值处理对齿轮箱信号进行滤噪,在提取时频域有效特征的基础上,通过Tent混沌映射和引入微分递减因子改进SSA以优化ELM模型进行分类识别。实验结果表明,所提模型对齿轮箱故障工况的分类准确率达到99.50%,在故障诊断精度提升的同时收敛速度更快,验证了模型的可行性。