基于HO-VMD-TCN的滚动轴承故障诊断方法研究

张 磊
西京学院

摘要


为了提高滚动轴承故障诊断精度。提出了一种基于河马优化算法（Hippopotamus Optimization Algorithm，
HO）优化的变分模态分解（Variational Modal Decomposition，VMD）结合时间卷积网络（Temporal Convolutional
Network，TCN）的滚动轴承故障诊断方法。首先，利用HO算法优化VMD的关键参数，以提取滚动轴承振动信号
中的有效特征分量；然后，通过对分量进行特征提取，构建特征向量；最后，利用TCN模型对特征向量进行分类，
实现滚动轴承的故障诊断。实验结果表明，该方法能够有效识别不同类型的轴承故障，具有较高的诊断准确率，准
确率达 91.1111%。

关键词


滚动轴承；故障诊断；河马优化算法；变分模态分解；时间卷积网络

全文:

PDF


参考


[1]韩朋朋，贺长波，陆思良.基于VMD与增强包络

谱的轴承早期故障诊断方法 [J].机电工程，2022，39（7）：

895-902.

[2]曹 景 胜 于 洋 王 琦 等.基 于 优 化VMDCNN-BiLSTM的电机轴承智能故障诊断研究 [J].现代电

子技术，2024，47（12）：115-121.

[3]Amiri, M.H., Mehrabi Hashjin, N., Montazeri, M., et al.

Hippopotamus optimization algorithm: a novel nature-inspired

optimization algorithm [J]. Sci Rep, 2024, 14: 5032. [URL].

[4]Dragomiretskiy, K., & Zosso, D. (2014). Variational

mode decomposition. IEEE Transactions on Signal Processing,

62(3), 531-544.

[5]谷学静陈洪磊孙泽贤等.基于VMD-RLLSTM的短期风功率预测 [J].计算机仿真2023404

89-93，309.

[6]ZHANG H, GAO J, KANG L, et al. State of health

estimation of lithium-ion batteries based on modified flower

pollination algorithm-temporal convolutional network[J].

Energy, 2023, 283: 128742




DOI: http://dx.doi.org/10.12361/2661-3654-06-10-139686

Refbacks

  • 当前没有refback。