基于兩類特征與AFSA優化SVM的滾動軸承故障診斷研究

摘要：針對非線性、非平穩的滾動軸承振動信號特征'難表征'和基于支持向量機(Support vector machine, SVM)的故障分類模型'精度低'的問題,提出一種基于變分模態分解(Variational Mode Decomposition,VMD)、峭度圖(Kurtogram)與人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)優化SVM相結合的滾動軸承狀態辨識方法。首先,利用Kurtogram算法、相關系數最大準則'篩選'出原信號經VMD后包含有效故障信息的本征模函數(Intrinsic Mode Functions, IMF),并計算其形態譜熵和能量熵構建有效特征向量集;其次,利用AFSA尋找最優的懲罰系數C和高斯核寬度系數σ的核函數系數組合(C、σ);并將有效特征向量集作為上述算法的輸入建立滾動軸承狀態辨識模型。實驗結果表明,所提方法不僅能凸顯原信號中的有效故障成份,同時也提高了模型學習效率和分類精度。