63··基于VMD排列熵与FASSA-SVM的滚动轴承故障研究*王新颖林振源胡磊磊徐拓刘岚张跃（常州大学环境与安全工程学院，江苏常州213164）摘要提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs），其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中，最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明，FASSA-SVM方法的平均测试集诊断准确率高达99.8%，该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。关键词滚动轴承故障诊断改进麻雀搜索算法（FASSA）支持向量机（SVM）参数优化ResearchonrollingbearingfailurebasedonVMDpermutationentropyandFASSA-SVMWANGXinyingLINZhenyuanHULeileiXUTuoLIULanZHANGYue（CollegeofEnvironmentalandSafetyEngineering，ChangzhouUniversity，ChangzhouJiangsu213164，China）AbstractThispaperproposesabearingfaultdiagnosismethodbasedonthefireflyimprovedsparrowsearchalgor-ithm-supportvectormachine（FASSA-SVM）.First，thevariationalmodaldecomposition（VMD）ofthevibrationsignalofthebearingworkingconditionisusedtoobtainmultiplemodalcomponents（IMFs），andthenthePEvalueofeachIMFofeachworkingconditionissolvedbythepermutationentropy（PE）asacharacteristicparameterandinputtotheSVM.Finally，theFASSAmethodisusedtooptimizethepenaltyfactorcandthekernelparametergoftheSVMandobtainthebestbearingfaultclassificationdiagnosiseffect.ExperimentalresultsshowthattheaveragetestsetdiagnosticaccuracyoftheFASSA-SVMmethodisashighas99.8%，whichisbetterthanthetraditionalfireflyal-gorithm（FA）andoptimizedsparrowsearchalgorithm（SSA）.Keywordsrollingbearingfaultdiagnosisimprovedsparrowsearchalgorithm（FASSA）supportvectorma-chine（SVM）parameteroptimization0引言滚动轴承作为旋转机械中应用最为广泛的零件，一旦出现故障等状况，便极有可能引发整个工作系统的瘫痪。研究表明，有约30%的机械故障是由于轴承失效导致的［1］，因此对于轴承故障的快速、准确诊断便尤为重要。目前用于滚动轴承故障诊断的方法众多，有人工神经网络（ArtificialNeuralNetworks，ANN）、支持向量...
