Noise and Vibration Control ›› 2022, Vol. 42 ›› Issue (4): 100-106.
Previous Articles Next Articles
Received:
Revised:
Online:
Published:
褚惟1,王贵勇2,刘韬1,王振亚1
摘要: 针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。
关键词: 故障诊断, K-SVD, VMD, 麻雀算法, 平方包络谱峭度
褚惟, 王贵勇, 刘韬, 王振亚. 麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断[J]. 噪声与振动控制, 2022, 42(4): 100-106.
0 / Recommend
Add to citation manager EndNote|Ris|BibTeX
URL: https://nvc.sjtu.edu.cn/EN/
https://nvc.sjtu.edu.cn/EN/Y2022/V42/I4/100