基于自适应VMD-KPCA特征提取与SSA-SVM方法的滚动轴承故障诊断

作者：张天瑞; 李金洋^*

来源：机械设计, 2022, 39(07): 63-73.

DOI：10.13841/j.cnki.jxsj.2022.07.014

• 变分模态分解
• 飞鼠搜索算法
• 核主成分分析
• 支持向量机
• 故障诊断
• 多域故障特征

为降低滚动轴承故障特征维度，更好地选取算法参数，提高故障诊断率，提出了自适应VMD-KPCA特征提取与SSA-SVM相结合的滚动轴承故障诊断方法。首先，利用飞鼠搜索算法(SSA)对VMD中分解层数k和惩罚因子α的最优组合进行寻优，形成自适应的VMD对振动信号进行分解；其次，利用SSA对SVM中核函数参数g和惩罚因子c进行寻优，构建了SSA-SVM故障诊断模型；最后，对利用自适应VMD分解出的时域、频域、能量熵等IMF分量的故障特征进行计算，并经KPCA降维后输入SSA-SVM模型中，与多种故障诊断模型进行仿真对比分析。结果表明，SSA-SVM从适应度、准确率、运行时间上，都具有优越性；同时将用KPCA降维与未降维的SSA-SVM进行对比，证明用KPCA降维的SSA-SVM虽牺牲了少量准确率，却换取了运行时间上的大幅度提高。

• 单位
  沈阳大学