基于SCA-VMD和排列熵的轴承故障诊断研究

作者：蔡俊; 蔡士超^*

来源：黑龙江工业学院学报(综合版), 2023, 23(11): 140-148.

DOI：10.16792/j.cnki.1672-6758.2023.11.013

• 变分模态分解
• 排列熵
• 正余弦算法
• 支持向量积

轴承在早期故障时信号微弱、振动数据的获取或者缺失，导致轴承故障诊断的准确率降低，为此提出了一种同一故障类型不同损伤尺寸的数据集构建方法，构建正余弦优化算法(Sine Cosine Algorithm, SCA)优化变分模态分解(Variational Mode Decomposition, VMD)参数的轴承故障诊断模型。首先，对比经验模态分解以及变分模态算法的时域频域波形，再采用SCA算法对模态分解个数k和惩罚系数α寻找最优组合；然后，计算模态分量的排列熵值，选取峭度值最大的四个模态分量构建特征数据集，支持向量积进行参数优化，构建最优故障诊断模型，对不同故障诊断模型结果进行对比；最后，基于SCA-VMD和排列熵的轴承故障诊断研究准确度率为99.3%,数据构建的方法更符合实际的工况。

• 单位
  安徽理工大学