一种基于SSA-FMD-SVM的滚动轴承故障诊断方法  

作　　者：张磊 陈学军[2] 马霖 刘烽 杨康 

机构地区：[1]福建农林大学机电工程学院,福建福州350108 [2]莆田学院新能源装备检测福建省高校重点实验室,福建莆田351100 [3]福州大学机械工程及自动化学院,福建福州350116

出　　处：《装备制造技术》2024年第4期10-12,共3页Equipment Manufacturing Technology

基　　金：福建省自然科学基金项目(2022J011169)。

摘　　要：为了有效实现滚动轴承故障诊断,提出一种麻雀搜索算法(SSA)优化特征模态分解(FMD)和支持向量机(SVM)的轴承故障诊断方法。该方法首先针对FMD中需要人为选择的模态数量和滤波器窗长这两个关键参数,利用SSA实现自适应选择,提高了参数选取的准确性和效率。然后,利用最优参数组合下的FMD对不同类型的滚动轴承故障信号进行分解,得到了一系列模态分量,并计算了每个模态分量的熵指标,以及不同状态下轴承信号的时频指标。随后,将时频特征和熵特征结合起来构建滚动轴承故障特征矩阵,为后续的故障诊断提供了更加丰富和准确的特征信息。最后,通过SSA优化SVM的惩罚因子和高斯径向基核函数参数,进一步提高了模型的识别精度和效率。实验证明,该方法在凯斯西储大学轴承数据集上取得了良好的效果,能够有效地诊断不同尺寸和不同类型的轴承故障类型。与未经过优化的方法相比,诊断准确率提高了5.28%,表明该方法具有良好的适用性和实用价值。

关 键 词：特征模态分解 麻雀搜索算法 滚动轴承 故障诊断 支持向量机 

分 类 号：TH133.33[机械工程—机械制造及自动化]