基于MFCC特征和GWO-SVM的托辊故障诊断

来源：机床与液压杂志2022年第15期北京时间：

作者：贺志军，李军霞，张伟，樊文瑞，李振华

单位：太原理工大学机械与运载工程学院，山西省矿山流体控制工程技术研究中心，矿山流体控制国家地方联合工程实验室；太原理工大学机械与运载工程学院，山西省矿山流体控制工程技术研究中心，矿山流体控制国家地方联合工程实验室；太原理工大学机械与运载工程学院，山西省矿山流体控制工程技术研究中心，矿山流体控制国家地方联合工程实验室；太原理工大学机械与运载工程学院，山西省矿山流体控制工程技术研究中心，矿山流体控制国家地方联合工程实验室；立博重工科技股份有限公司

摘要：针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题，提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF)，并基于包络熵和峭度组成的复合指标优选IMF分量；提取所选分量的梅尔倒频谱系数（MFCC)作为特征，利用灰狼优化算法（GWO）优化SVM参数；将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况，该方法故障识别平均准确率在95%以上。与单一指标相比，复合指标提取的IMF分量故障特性代表性更好；与其他优化算法相比，该方法的识别准确率更高，分类速度更快。

关键词：声音信号;梅尔频率倒谱系数(MFCC);托辊;灰狼算法;故障诊断

基金资助：国家自然基金面上项目（52174147）；中央引导地方科技发展资金项目(YDZJSX2021A023)；晋中市科技重点研发项目（Y211017）;泰山产业领军人才项目