基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。

基于参数优化VMD的轴承故障诊断方法研究

针对早期滚动轴承故障诊断准确率低、信号特性不平稳且难以获取大量样本等问题,提出基于最大相关峭度解卷积(MCKD)、乌燕鸥算法优化变分模态分解(STOA-VMD)和粒子群算法优化支持向量机(PSO-SVM)的滚动轴承故障诊断模型。首先使用MCKD处理信号提高信噪比,再通过STOA-VMD对信号进行分解,特征参量选用均方根熵值,输入PSO-SVM实现故障分类,并由实验和仿真验证了该方法可使故障诊断准确率明显提高。