基于MFF与IWOA-LSSVM的电机轴承故障诊断研究

针对电机轴承故障诊断过程中,存在种种困难的问题,提出了一种基于多特征融合(MFF)与改进鲸鱼优化算法(IWOA)优化最小二乘支持向量机(LSSVM)的电机轴承状态诊断方法。首先,利用Sobol序列去初始化算法种群,在算法种群搜索过程中加入了莱维飞行策略,并在WOA算法位置更新公式中添加了惯性权重;然后,提取了电机轴承振动信号的小波包能量特征、平均值和峭度,并将以上电机轴承振动信号特征作为算法的输入;最后,为了验证基于MFF与IWOA-LSSVM的电机轴承诊断方法的有效性,分别以单独使用小波包能量特征作为算法输入,以及小波包能量特征和时域特征共同作为算法输入,进行了两组相关的电机轴承状态识别对比实验。研究结果表明：相比于单一小波包能量特征,采用多特征融合能更全面地反映电机轴承真实运行状态;相比于PSO、GA算法,基于WOA算法可以更有效地避免局部最优;相比于基本WOA算法,改进后的WOA算法可以更有效地避免局部最优;相比于其他电机轴承状态识别算法,IWOA-LSSVM算法的分类性能更优,对电机轴承状态识别率达到99.5%。