论文部分内容阅读
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。该证明，基于InMPE与MFO-SVM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。