摘要
为克服滚动轴承振动信号的非线性和非平稳特性以及提取早期微弱故障特征的难题，本文提出了一种基于变分模态分解（VMD）、最大相关峭度解卷积（MCKD）和支持向量机（SVM）的联合故障诊断方法。与大多数现有研究分别优化故障诊断流程中各个阶段的做法不同，本文方法采用多策略增强灰狼算法（S-LE-EGWO），在统一框架下对多个关键模块的参数进行协同调优。首先，以最小包络熵为适应度函数，利用S-LE-EGWO算法优化VMD的模态数 K 和惩罚因子 α，实现振动信号的自适应分解。其次，采用峭度结合相关系数的方法筛选有效的本征模态函数（IMF），并基于筛选后的分量对信号进行重构。然后，利用S-LE-EGWO算法优化MCKD的参数，实现周期性故障脉冲的有效提取。最后，提取多维权故障特征，通过核主成分分析（KPCA）进行降维，并输入优化后的SVM分类器完成故障识别。利用仿真信号进行了特征导向的机理分析，并在CWRU滚动轴承数据集上对本文方法进行了验证，同时与四种主流优化诊断算法进行了对比研究。测试结果表明，本文方法能够有效挖掘轴承的微弱故障特征。与其他算法相比，本文方法具有更优越的识别性能，对早期微弱故障具有较好的识别能力，能够实现轴承故障的分类。
