关键词:
变分模态分解
孔雀优化算法
多尺度样本熵
支持向量机
轴承故障诊断
摘要:
针对三相电机轴承故障状态识别的问题,提出一种变分模态分解(Variational mode decomposition,VMD)与孔雀优化算法(Peafowl Optimization Algorithm,POA)优化支持向量机(Support Vector Machines,SVM)结合的故障识别方法,通过VMD将轴承的不同故障信号数据分解为多个本征模态分量(IMF),首先,根据样本熵选出合适的IMF重构成最优的特征信号;其次,计算特征信号的时域特征、能量熵、多尺度样本熵值,构成多维特征向量矩阵;最后,使用孔雀优化算法对SVM的惩罚参数和核函数进行优化,建立POA-SVM诊断模型,将构建好的多维特征向量矩阵输入到模型中进行诊断。将孔雀优化算法支持向量机(POA-SVM)与金豺优化算法(Golden Jackal Optimization,GJO)支持向量机(GJO-SVM)、粒子群优化算法(Porticle Swarm Optimization,PSO)支持向量机(PSO-SVM)进行对照试验,结果表明,POA-SVM相比GJO-SVM和PSO-SVM在不同工况下的故障识别率和稳定性有明显的提高。