基于PO-VMD和改进GhostNet网络的齿轮箱故障诊断

doi:10.13319/j.cnki.sjztddxxbzrb.20250113

石家庄铁道大学学报（自然科学版） ›› 2025, Vol. 38 ›› Issue (03) : 109 -115. DOI: 10.13319/j.cnki.sjztddxxbzrb.20250113

作者信息 +

Author information +

文章历史 +

PDF

摘要

针对齿轮箱故障信号微弱造成的故障特征提取困难、故障诊断准确率不高的问题，提出了一种基于鹦鹉优化算法(Parrot Optimizer, PO)优化变分模态分解(Variational Mode Decomposition, VMD)和改进GhostNet网络的齿轮箱故障诊断方法。首先，采用PO-VMD对原始信号进行降噪，同时以包络熵和样本熵作为评价指标评估VMD的分解效果；然后，通过相关系数法对VMD分解得到的本征模态分量(Intrinsic Mode Function, IMF)进行筛选；最后，将筛选得到的IMF分量进行特征融合，输入到改进GhostNet网络中进行故障分类识别。通过对动力传动故障诊断实验台采集到的数据进行分析，验证了模型的可行性。同时，对凯斯西储大学滚动轴承数据集进行消融及抗噪性实验，验证了模型的泛化性。