摘要:
由于环境噪声会掩盖滚动轴承故障信号,导致故障特征难以提取。为解决这一问题,提出一种基于烟花优化算法(fireworks optimization algorithm,FWA)优化多点最优最小熵解卷积算法(multi-point optimal minimum entropy deconvolution algorithm,MOMEDA)的强噪声干扰下滚动轴承早期故障特征提取方法。该方法首先以包络谱峰值因子作为适应度值,使用FWA的全局搜索能力自适应选择MOMEDA方法的最佳参数组合;其次利用MOMEDA算法增强早期故障信号;增强后的信号通过集成经验模态分解(ensemble empirical mode decomposition,EEMD)进行分解,并构建多尺度模糊熵特征集;最后通过支持向量机(support vector machine,SVM)进行分类识别。实验结果表明:与最小熵反卷积方法(Minimum entropy deconvolution,MED)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution,MCKD)相比,该方法的分类准确率分别提高了12.5%和21.7%。
吕中亮, 李玲凤, 贾翔宇, 等. 基于自适应MOMEDA滚动轴承故障特征提取方法[J]. 航空动力学报, 2026, 41(6):20240646. doi: 10.13224/j.cnki.jasp.20240646.