基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

蝇优化算法的变分模态分解(variable mode decomposition，简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine，简称 MRVM)的智能诊断模型。首先，使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm, 简称ICFOA)对VMD的本征模态函数(intrinsic mode function, 简称IMF)个数和惩罚参数进行优化，搜索两个参数的最优组合值；其次，使用最优组合参数值对VMD算法的关键参数进行设定，并对已知的故障信号进行分解获得相应的IMF分量；然后，使用嵌套一对一算法构造高精度的多分类RVM学习模型，将IMF分量的二维边际谱熵值作为MRVM的输入特征向量；最后，使用不同载荷下的实验数据进行验证。实验结果表明，所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断，其中轴承故障类型的诊断精度为100%，轴承故障程度的诊断精度为91.87%，诊断精度较高，鲁棒性强。