基于CF特征提取与MBA-SVDD的滚动轴承故障诊断

简介

针对滚动轴承振动信号呈现出的非平稳特性以及早期故障特征难以提取的问题,提出一种基于变分模态分解与时域、频域值混合的特征提取方法,并利用改进蝙蝠算法(MBA)优化支持向量数据描述(SVDD)的参数,实现对滚动轴承的故障诊断。采用该方法对正常振动信号进行变分模态分解,得到模态函数;利用奇异值分解进一步提取模态函数的模态特征,同时提取信号的时域、频域特征与模态特征构造混合特征(CF)实现特征提取;利用改进蝙蝠算法(MBA)对SVDD核函数宽度进行参数寻优,进而构建CF-MBA-SVDD故障诊断模型。利用该模型对不同工况下滚动轴承的各类振动信号进行故障诊断,整体故障识别率均优于其他对比算法。对全寿命周期轴承实验数据进行诊断分析,结果表明该模型能够较早预警轴承故障,验证了该方法的可靠性和有效性。