基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

来源：机床与液压杂志2022年第19期北京时间：

作者：刘伟，梁涛，李涛，姜文

单位：河北工业大学人工智能与数据科学学院；河北工业大学人工智能与数据科学学院；河北建设能源投资股份有限公司；河北建设能源投资股份有限公司

摘要：风机在多种工况条件下运行时，利用轴承的振动监测系统所检测到的信号难以实现故障诊断，而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承，提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法，使用t-SNE降维可视化，提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值，采用自私羊群优化算法（SHO）对参数进行优化，将振动信号分解为一些本征模态分量，再对每组分量进行特征参数提取，基于奇异值特征、能量熵、样本熵特征进行多特征量融合，使用t-SNE降维来提取轴承故障信息以及速度变化信息，实验结果表明：提出的方法可以有效提取出轴承的故障和速度信息。

关键词：SHO优化算法;变分模态分解;多特征量;滚动轴承;故障诊断;变工况

基金资助：河北省科技支撑计划(19210108D；19214501D；20314501D；F2021202022)资助项目