参数优化 VMD-MPE 和 PSO-CS-Elman 神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征，提出了基于参数优化变分模态分解（Variational Mode Decomposition，VMD）、多尺度排列熵（Multi?scale Permutation Entropy，MPE）和粒子群?布谷鸟搜索融合算法优化 Elman神经网络的故障诊断方法。针对 VMD 中模态分量个数和惩罚因子难以确定的问题，引入鲸鱼优化算法，令其自主搜寻最优解；利用获得最优参数的 VMD 对滚动轴承故障仿真信号进行分解，对最佳模态分量进行包络谱分析，对比仿真故障频率与实际值的吻合度，验证该方法的可行性。考虑到 MPE 具有可探究信号内动力突变的优点，将其与参数优化 VMD 相结合，求取滚动轴承振动信号各阶模态分量的 MPE 值，选择部分熵值构建特征向量，并将其投放在三维空间观察其差异性，判断其是否能够良好地表征不同故障类型。针对 Elman 神经网络识别精度低的问题，将粒子群优化（Particle Swarm Optimization，PSO）算法和布谷鸟搜索（Cuckoo Search，CS）算法相融合，以此联合优化 Elman 网络的权重和阈值，以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象，应用所提方法进行分析。结果表明，所提方法不仅能够自适应地将信号分解，并提取出有效的故障特征，还能准确实现故障模式的分类，提高故障识别率。

Rolling bearing fault diagnosis based on parameter optimizedVMD-MPE and PSO-CS-Elman neural network