CEEMD与AO-SVM结合的风机轴承故障诊断

由于风机的运行环境恶劣,当轴承发生故障时,其振动信号往往受到环境噪声的干扰,导致对于振动信号的故障信息提取困难。针对这一问题,本文提出了一种基于互补集合经验模态分解(CEEMD)和样本熵(SE)结合的特征提取方法,并将天鹰优化算法(AO)与支持向量机(SVM)结合进行故障分类,实现对风机轴承的故障诊断。本文采用凯斯西储大学轴承数据进行实验,并采用真实风机轴承数据进行进一步的验证。实验结果表明本文所提出方法具有很高的故障识别准确率。

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3%,证明了所提方法具有较高的准确度和有效性。