基于改进SSA的参数优化VMD和ELM的轴承故障诊断

作者：杨森; 王恒迪^*; 崔永存; 李畅; 唐元超

来源：机械传动, 2023, 47(10): 162-168.

DOI：10.16578/j.issn.1004.2539.2023.10.023

• 滚动轴承
• 早期故障诊断
• 变分模态分解
• 改进麻雀算法
• 变异系数法
• 极限学习机

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 Machine,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（Intrinsic 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。

• 单位
  河南科技大学; 机械工业第六设计研究院; 机电工程学院