关键词：旋转机械;耦合故障诊断;变分模态分解;改进层次波动散布熵;蛇优化器;多点故障;耦合故障;信号高频特征信息
摘 要：采用传统旋转机械故障诊断模型诊断单点故障而忽略多点故障缺陷，无法准确判断旋转机械的故障来源，提出了一种基于蛇优化器的优化变分模态分解(SO-VMD)、改进层次波动散布熵(IHFDE)和支持向量机(SVM)的旋转机械耦合故障诊断方法。首先，以模态分量的最大互信息系数为适应度函数，采用蛇优化器对变分模态分解的参数进行了优化，并对旋转机械振动信号进行了分解以得到模态分量；然后，对各模态分量的IHFDE特征值进行了提取，从而构建了故障特征矩阵；最后，将故障特征输入至SVM分类器中进行了分类识别，并实现了对旋转机械的故障诊断。利用滚动轴承和齿轮箱的多点故障数据集进行了实验分析，从信号处理和特征提取两方面进行了对比分析。研究结果表明：SO-VMD-IHFDE故障诊断方法在诊断旋转机械的单点和多点故障时分别取得了98.75%和100%的识别精度，验证了该方法的有效性。SO-VMD方法能够有效去除信号中的干扰噪声，提高特征的质量；和不采用SO-VMD方法得到的诊断结果相比，滚动轴承和齿轮箱的诊断准确率分别提高了3.33%和5.42%。IHFDE方法能够有效反映旋转机械的故障特性，准确率高于其他广泛使用的特征提取方法。旋转机械的故障诊断结果验证了改进层次分析在诊断准确率方面优于粗粒化处理和传统层次分析。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取