WOA-VMD-MPEおよびMPSO-LSSVMに基づくローリングベアリング障害診断

ローリングベアリングの断層識別の精度をさらに改善するために、修正された粒子群群最適化（MPSO）アルゴリズムに基づく障害診断方法は、最適化された最小二乗サポートベクターマシン（LSSVM）を最適化し、パラメーター最適化変動モード分解（VMD）とマルチの組み合わせ - スケール順列エントロピー（MPE）が提案されました。第一に、VMDアルゴリズムのモードコンポーネントKとペナルティ因子αの不適切な選択によって引き起こされる分解とモードの混合の問題を解決するために、ホエール最適化アルゴリズム（WOA）を使用して、VMDのペナルティ係数とモード成分数を最適化しましたアルゴリズム、および最適なパラメーターの組み合わせ（k、α）が得られました。第二に、最適なパラメーターの組み合わせ（k、α）を、ローリングベアリング振動信号のVMDに使用して、いくつかの内因性モード関数（IMF）を取得しました。ピアソン相関係数（PCC）基準によれば、最適なIMF成分が選択され、その最適なマルチスケール順列エントロピーが計算されて特徴セットが形成されました。最後に、K-foldの交差検証を使用してMPSO-LSSVMモデルのトレーニングを行い、テストセットは識別のためにトレーニングされたモデルに入力されました。実験結果は、PSO-SVM、LSSVM、およびPSO-LSSVMと比較して、MPSO-LSSVM障害診断モデルが認識精度が高いことを示しています。同時に、VMD-SE、VMD-MPE、およびPSO-VMD-MPEと比較して、WOA-VMD-MPEはより正確な機能を抽出できます。

In order to further improve the accuracy of fault identification of rolling bearings, a fault diagnosis method based on the modified particle swarm optimization (MPSO) algorithm optimized least square support vector machine (LSSVM), combining parameter optimization variational mode decomposition (VMD) and multi-scale permutation entropy (MPE), was proposed. Firstly, to solve the problem of insufficient decomposition and mode mixing caused by the improper selection of mode component K and penalty factor α in VMD algorithm, the whale optimization algorithm (WOA) was used to optimize the penalty factor and mode component number in the VMD algorithm, and the optimal parameter combination (K, α) was obtained. Secondly, the optimal parameter combination (K, α) was used for the VMD of the rolling bearing vibration signal to obtain several intrinsic mode functions (IMFs). According to the Pearson correlation coefficient (PCC) criterion, the optimal IMF component was selected, and its optimal multi-scale permutation entropy was calculated to form the feature set. Finally, K-fold cross-validation was used to train the MPSO-LSSVM model, and the test set was input into the trained model for identification. The experimental results show that compared with PSO-SVM, LSSVM, and PSO-LSSVM, the MPSO-LSSVM fault diagnosis model has higher recognition accuracy. At the same time, compared with VMD-SE, VMD-MPE, and PSO-VMD-MPE, WOA-VMD-MPE can extract more accurate features.