基于混合特征提取和PSO-ELM的电机故障诊断

作     者：谢锋云 赏鉴栋 汪淦 王玲岚 XIE Feng-yun;SHANG Jian-dong;WANG Gan;WANG Ling-lan

作者机构：华东交通大学机电与车辆工程学院南昌330013 

出 版 物：《组合机床与自动化加工技术》 (Modular Machine Tool & Automatic Manufacturing Technique)

年 卷 期：2023年第5期

页      面：106-109页

学科分类：080202[工学-机械电子工程] 08[工学] 0802[工学-机械工程] 

基　　金：国家自然科学基金(52265068,51805168) 江西省自然科学基金(20224BAB204050) 载运工具与装备教育部重点实验室开放课题(KLCEZ2022-02) 

主　　题：故障诊断 粒子群优化 极限学习机 变分模态分解 多尺度散布熵 

摘      要：针对单一特征提取方法无法有效提取电机故障特征,提出了一种基于混合特征提取与粒子群优化极限学习机(PSO-ELM)相结合的电机故障诊断方法。通过搭建电机故障实验平台,获取三相异步电机不同状态振动信号,利用变分模态分解(VMD)获取反映信号能量分布特点的能量占比和能量熵特征,并与反映时间序列不同尺度复杂程度的多尺度散布熵(MDE)特征组成混合特征向量,使用PSO-ELM完成电机不同状态的识别。结果表明,所提方法20次测试的平均识别率为98.92%,能有效提取电机故障特征。