基于InMPE和MFO-SVM的变负载滚动轴承故障诊断

作者：袁建明; 刘宇; 胡志辉^*; 王磊

来源：机电工程, 2023, 40(08): 1185-1193.

• 滚动轴承
• 故障诊断
• 变负载工况
• 多尺度排列熵
• 插值多尺度排列熵
• 飞蛾火焰算法
• 支持向量机

由于在变负载工况下，提取滚动轴承故障特征较为困难，且其故障识别准确率也较低，为此，提出了一种基于插值多尺度排列熵(InMPE)和飞蛾火焰优化支持向量机(MFO-SVM)的滚动轴承故障诊断方法。首先，在粗粒化时采用三次样条插值代替传统多尺度排列熵(MPE)中的线性插值，设计了InMPE算法，利用美国凯斯西储大学(CWRU)轴承数据集，分析了不同序列长度、嵌入维数和负载对InMPE的影响；然后，使用飞蛾火焰算法(MFO)优化了支持向量机(SVM),构建了基于InMPE和MFO-SVM的故障诊断模型；最后，搭建了轴承故障诊断试验台，制作了变负载工况下滚动轴承故障特征样本集，对基于InMPE与MFO-SVM的故障诊断方法的有效性和先进性进行了验证。研究结果表明：在变负载工况下，采用基于InMPE与MFO-SVM方法所得的故障识别准确率达到了98.5%,而采用传统MPE方法所得的故障识别准确率为95.9%;在噪声背景下，采用基于InMPE与MFO-SVM方法所得的识别准确率为92.4%,优于后者的80.0%准确率；证明基于InMPE与MFO-SVM的方法能有效识别出滚动轴承的故障信息，且对噪声具有较好的鲁棒性。

• 单位
  武汉理工大学