来源：期刊VIP网 时间：
作者：栾孝驰;刘明国;赵俊豪;刘新航;雷志浩;赵奉同;
单位：沈阳航空航天大学航空发动机学院辽宁省航空推进系统先进测试技术重点实验室;
摘要：针对航空发动机滚动轴承故障振动信号特征难以提取、故障识别率较低的问题，提出了一种基于减法平均优化器（SABO）优化变分模态分解（VMD）和核极限学习机（KELM）的滚动轴承故障诊断方法。将最小包络熵作为适应度函数，利用SABO优化VMD参数，得到VMD分解不同故障信号模态个数K和惩罚因子α的最佳参数组合，同时得到最小适应度对应的IMF的索引值；将每种故障对应的[K,α]最佳组合和索引值带回VMD，得到每个样本的最佳IMF分量，并计算最佳IMF分量的9种时域特征参数；再结合SABO和KELM，对KELM的核函数进行优化并重新构建KELM；将特征矩阵输入KELM得到故障诊断结果。利用西储大学轴承数据、搭建的滚棒轴承模拟实验数据和双转子航空发动机中介轴承模拟实验数据进行方法有效性验证。结果表明：基于最小包络熵为适应度函数的SABO优化效果比其他4种适应度优化效果要好，VMD更能有效地分解出轴承故障振动信号；优化以后的KELM对3个实验的故障诊断正确率分别达到了99.33%,98.67%和98.67%，比没有优化的KELM诊断正确率有了明显的提高；基于实验3,SABO-KELM模型诊断正确率为99.2%，比PSO-KELM模型98.3%的正确率和GWO-KELM模型97.5%的正确率要高，所以诊断效果更好。基于以上分析，SABO-KELM模型可以适用不同轴承类型简单和复杂传播路径，可以推断：模型可以作为一般机械系统的滚动轴承故障诊断方法。
关键词：航空发动机;;滚动轴承;;变分经验模态分解;;最小包络熵;;故障诊断
基金资助：辽宁省教育厅项目-面上项目（纵20240051）;; 辽宁省属本科高校基本科研业务费专项资金~~
