基于QPSO-MPE的滚动轴承故障识别方法

• Published in: 振动、测试与诊断 Vol. 41; no. 1; pp. 62 - 68
• Main Authors: 王望望, 邓林峰, 赵荣珍, 张爱华
• Format: Journal Article
• Language: Chinese
• Published: 兰州理工大学机电工程学院 兰州,730050%兰州理工大学机电工程学院 兰州,730050 01.02.2021; 兰州理工大学电气工程与信息工程学院 兰州,730050%兰州理工大学电气工程与信息工程学院 兰州,730050
• Subjects: GG模糊聚类; 滚动轴承故障识别; 多尺度排列熵; 集成经验模态分解; 量子粒子群优化
• ISSN: 1004-6801
• DOI: 10.16450/j.cnki.issn.1004-6801.2021.01.009

TH165.3%TP301.6; 为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法.首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别.实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性.