科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对滚动轴承的振动信号因其非平稳性和信噪比不高而难以准确提取特征的问题，提出了一种抗噪性能好、识别率高的滚动轴承故障诊断方法。首先，使用辛几何模态分解（symplectic geometry mode decomposition, SGMD）将滚动轴承故障信号分解为多个辛几何分量（symplectic geometry component,SGC），基于相关性原则，选取相关性高的SGC对故障信号进行重构，形成重构信号；然后，提出了复合多尺度注意熵（composite multi-scale attention entropy,CMAE）定量提取重构信号的特征熵值，构建CMAE特征；再选择鲸鱼优化算法（whale optimization algorithm,WOA）对极限学习机（extreme learning machine,ELM）中的有关参数优化处理，构建WOA-ELM模型；最后，将CMAE特征输入到WOA-ELM模型中，实现滚动轴承的故障诊断。仿真实验结果表明：与其他方法相比，文章所提的SGMD-CMAE和WOA-ELM方法识别滚动轴承故障准确率更高。
- 单位
