噪声与振动控制 ›› 2025, Vol. 45 ›› Issue (4): 130-135.

• 信号处理与故障诊断 • 上一篇    下一篇

基于多特征提取与蜣螂算法优化的轴承故障诊断

谢锋云樊秋阳孙恩广王阳宋成杰朱海燕   

  1. ( 华东交通大学机电与车辆工程学院,南昌330013 )
  • 收稿日期:2024-01-03 修回日期:2024-03-25 出版日期:2025-08-18 发布日期:2025-07-28

Bearing Fault Diagnosis Based on Multi-feature Extraction and Dung Beetle Algorithm Optimization

  • Received:2024-01-03 Revised:2024-03-25 Online:2025-08-18 Published:2025-07-28

摘要: 针对轴承振动信号易受噪声干扰,单一特征量准确率低的问题,提出一种基于小波包分解(Wavelet Packet Decomposition,WPD)、有效时域特征(绝对平均值、波形指标)、频域特征(均方根频率)以及多尺度符号动力学熵(Multi-scale Symbolic Dynamic Entropy,MSDE)的轴承故障诊断方法。首先,对轴承振动信号进行小波包分解,提取多频带特征,并根据相关系数筛选最佳分量进行信号重构;其次,提取时域和频域敏感特征,同时计算重构信号的MSDE值,组成多特征向量;最后,将提取的多特征向量输入到蜣螂算法(Dung Beetle Optimizer,DBO)优化的支持向量机(Support Vector Machine,SVM)中识别不同轴承故障类型。结果显示,该方法能够从多方位提取故障特征,相较于单一特征量准确率更高,识别速度更快。

关键词: 故障诊断, 多特征, 多尺度符号动力学熵, 蜣螂算法