基于参数优化MPE与FCM的滚动轴承故障诊断

为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。

参数优化VMD-MPE和PSO-CS-Elman神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解(Variational Mode Decomposition,VMD)、多尺度排列熵(Multi‑scale Permutation Entropy,MPE)和粒子群‑布谷鸟搜索融合算法优化Elman神经网络的故障诊断方法。针对VMD中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的VMD对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性。考虑到MPE具有可探究信号内动力突变的优点,将其与参数优化VMD相结合,求取滚动轴承振动信号各阶模态分量的MPE值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型。针对Elman神经网络识别精度低的问题,将粒子群优化(Particle Swarm Optimization,PSO)算法和布谷鸟搜索(Cuckoo Search,CS)算法相融合,以此联合优化Elman网络的权重和阈值,以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析。结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率。

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。