基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用,以及包含故障信息的特征参数的选取问题,提出了自适应变分模态分解(AVMD)算法.该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数,利用蚱蜢算法(GOA)寻优,获取VMD的分解参数(Kop,αop),接着对原始振动信号进行VMD分解,通过能量百分比的计算,选取能量90％及以上的敏感模态,对其多域联合的特征参数构建特征向量,最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别.通过滚动轴承数据集分析表明,采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高,在测试数据集上的准确率达到99.166 7％.