基于VMD能量熵与优化支持向量机的轴承故障诊断

摘要

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准.基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性.实验结果表明:VMD-Entropy-OSVM不仅可识别轴承损伤末期的不同故障类型,且在识别损伤初期亦有较高准确度;在信噪比为8 dB下准确率高达99.8％,比现有方法提高3.3％～27.3％;当信噪比为0 dB下仍有73.5％的准确度,比现有方法提高11％～33％,该模型表现出良好的泛化性能;在相同计算资源下,所需运行时间更短,效率更高.