文献类型：期刊文章

作　　者：王贡献[1] 张淼[1] 胡志辉[1] 向磊[1] 赵博琨[1]

WANG Gongxian;ZHANG Miao;HU Zhihui;XIANG Lei;ZHAO Bokun(School of Logistics Engineering,Wuhan University of Technology,Wuhan 430063,China)

机构地区：[1]武汉理工大学物流工程学院,武汉430063

出　　处：《振动与冲击》

基　　金：上海交通大学舰船设备噪声与振动控制技术国防重点学科实验室开放课题基金(VSN201901)。

年　　份：2022

卷　　号：41

期　　号：1

起止页码：221-228

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。

关 键 词：滚动轴承 故障诊断 多尺度均值排列熵  灰狼优化  支持向量机

分 类 号：TH165.3] TN911.7]