基于A-CPO双阶段关联参数优化的强噪声环境故障诊断方法

《Structural Health Monitoring》：A strong noise-bearing fault diagnosis method based on A-CPO dual-stage associated parameter optimization

　　

摘要

在实际的滚动轴承故障诊断中，传感器采集的轴承振动信号往往混杂大量噪声，这会模糊关键故障特征并降低不同类型故障之间的可区分性。该问题不仅削弱了特征提取的可靠性，还限制了后续故障分类方法的识别精度。为解决上述问题，本文提出了一种基于自适应冠鼠优化（A-CPO）双阶段关联参数优化的强噪声滚动轴承故障诊断方法。首先，构建动态多尺度卷积去噪自编码器，对采集的振动信号进行去噪预处理。其次，为增强CPO算法在故障诊断中的适应性，通过设计并嵌入故障特征驱动算子，提出了A-CPO算法。该算法能够将信号处理中的物理先验知识转化为优化过程的引导信息，从而有效地驱动搜索过程快速收敛至故障敏感区域。最后，设计了基于A-CPO的双阶段协同优化策略：第一阶段，利用A-CPO的全局探索能力对变分模态分解（VMD）的关键参数 K 和 α 进行全局粗搜索，从而确定最优的分解参数组合。然后将去噪后的信号输入优化后的VMD，将其分解为多个本征模态函数（IMF）。第二阶段，利用A-CPO的局部开发能力，对支持向量机（SVM）的惩罚因子 C 和核参数 $g$ 进行微调。将第一阶段获得的VMD参数固定，以保持特征空间的稳定性。选取最优IMF并提取多维时域指标作为特征向量，然后输入优化后的SVM完成故障分类。在西储大学和江南大学故障数据集上开展的多模型对比实验表明，所提方法在 ?2、?4、?6 和 ?8 dB 信噪比条件下的平均诊断准确率分别达到 99.31%、99.25%、95.14% 和 91.92%，验证了其在强噪声条件下滚动轴承故障诊断的高精度和可靠性。

获取本文全文访问权限

查看本文的所有访问和购买选项。

获取权限