基于COT-NGO-VMD与LSTM的变转速滚动轴承故障诊断

针对滚动轴承在混合变转速工况下故障特征难以提取和故障诊断识别不准确的问题,提出了一种基于计算阶次跟踪(COT)-北方苍鹰优化算法(NGO)-变分模态分解(VMD)的故障特征提取与长短时记忆神经网络(LSTM)相融合的变转速滚动轴承故障诊断模型。首先,通过COT算法将非平稳时域信号转为平稳角域信号;然后,通过NGO算法对VMD的模态个数K与惩罚因子α进行优化;其次,以局部极小包络熵为目标筛选VMD分解的最优分量并提取低阶阶次谱值作为故障特征向量;最后,采用uOttawa轴承数据集,把特征向量输入到LSTM神经网络中进行训练与测试。结果表明,在混合多种工况条件下,此模型的准确率达到97.78%,验证了本模型的有效性。