基于改进SSA的参数优化VMD和ELM的轴承故障诊断

针对滚动轴承早期故障信号微弱、故障特征难以提取导致故障分类效果差的问题,提出了一种基于改进麻雀搜索算法(Sparrow Search Algorithm,SSA)进行自适应参数优化的变分模态分解(Variational Mode Decomposition,VMD)和多层特征向量融合的极限学习机(Extreme Learning Ma⁃chine,ELM)的滚动轴承故障诊断方法。首先,根据适应度函数值和迭代次数自适应改变SSA的寻优步长;随后,将改进后的SSA对VMD算法的重要参数(分解个数K和惩罚因子α)进行自动寻优,适用度函数采用最小包络谱熵;接着,提取经SSA-VMD分解后的包络谱熵最小的内蕴模态函数(In⁃trinsic Mode Function,IMF)分量作为最优分量,并计算其特征值;最后,通过变异系数法筛选,构造均方根值和峰值为第一层二维特征值向量,构造样本熵、峭度和均方根为第二层三维特征值向量,分别送入极限学习机ELM进行滚动轴承故障的训练分类。试验结果表明,本文算法具有良好的故障诊断效果且最终可实现98.25%的分类准确率和93.36%的实际诊断精度。