参数优化VMD下轴承故障诊断方法探究

前言：想要写出一篇引人入胜的文章？我们特意为您整理了参数优化VMD下轴承故障诊断方法探究范文，希望能给你带来灵感和参考，敬请阅读。

摘要：针对早期滚动轴承故障诊断准确率低、信号特性不平稳且难以获取大量样本等问题，提出基于最大相关峭度解卷积（MCKD）、乌燕鸥算法优化变分模态分解（STOA-VMD）和粒子群算法优化支持向量机（PSO-SVM）的滚动轴承故障诊断模型。首先使用MCKD处理信号提高信噪比，再通过STOA－VMD对信号进行分解，特征参量选用均方根熵值，输入PSO-SVM实现故障分类，并由实验和仿真验证了该方法可使故障诊断准确率明显提高。

关键词：STOA-VMD；均方根熵值；PSO-SVM；MCKD

0引言

滚动轴承被广泛应用于机械领域，数据显示因滚动轴承故障引发的事故高达70%，因此尽早发现故障并提前干预以降低损失、提高生产效率具有重大意义。考虑轴承振动信号的非平稳特性，采用噪声鲁棒性好、适应性强的变分模态分解（VMD）方法，极大程度地降低了模态混叠、端点效应、分解错误等问题的出现；分解前进行预先的降噪处理可进一步提高信噪比；故障分类法繁多，考虑到支持向量机（SVM）对小样本数据的分类能力具有很大的优势，因此选用SVM进行轴承故障诊断，并结合智能算法更好地完成故障诊断。基于以上问题，本文提出了基于最大相关峭度解卷积算法（MCKD）、乌燕欧算法（STOA）优化VMD和粒子群算法（PSO）优化SVM的滚动轴承故障诊断模型，并由实验和仿真对比结果表明本文所提方法的实用性。

1基本理论

（1）MCKD算法

受工作环境的影响极大，实测信号被噪声严重干扰，直接使用往往存在误差，此时的初期故障信号尤其微弱，所以先使用MCKD算法对信号降噪预处理以凸显故障脉冲信号，其本质是计算寻得l长度的滤波器f（l），并以相关峭度为指标，不断实现解卷积，滤除噪声干扰成分凸显故障脉冲，即故障冲击成分y=f·x=Lk=1Σfkxn-k+1（1）式中f———滤波器系数。

（2）STOA优化VMD

VMD能够迭代求解变分问题，把信号自适应地分解为k个调幅调频分量信号（IMFs），主要是建立变分模型并对模型进行求解。实现步骤：①把模态函数uk、中心频率ωk、拉格朗日乘子λ和n初始化；②n=n+1次迭代；③更新ωk、uk、λ，其中：uk（ω）=f（ω）－kΣui（ω）+λ（ω）21+2α（ω-ωk）2（2）ωk=∞0∫ω|uk（ω）|2dω∞0∫|uk（ω）|2dω（3）式中α———惩罚参数。④设定ε>0，重复②与③，不断更新直到满足约束条件kk＝1Σ（｜｜uk－uk||2/||uk||2）<ε（4）没有坚实理论支撑的传统方法，任凭人为主观的经验确定VMD的［k，α］组合，产生误差会严重影响到VMD算法的分解精度。为此，引用STOA对VMD的参数进行优化，这种算法具有很强的全局搜索能力，迭代时全局寻优，避免陷入局部最优解，具有精度较高、寻优速度较快、计算量小且容易实现等优点。

（3）均方根熵值

振动信号瞬时幅度在采样时段内的变化可以用均方根误差来表示，其中的均方根值能较好地反映出信号里隐含的能量信息。信息熵则代表的是系统复杂程度，系统可能具有若干的不确定原因，越混乱越无序的系统，信息熵值就越高。把两者概念有机融合就得到了兼具两者优点的均方根熵值ERMS，每种故障的ERMS是不同的且计算简单，十分适合用作特征向量。均方根熵值ERMS=-ni＝1ΣEilog2Ei（5）式中Ei———第i个分量的均方根值。

（4）故障识别

滚动轴承振动信号的特征并不平稳,实际中又无法获取大量故障数据用来训练,此时SVM就是故障分类的最佳方法，即使现实中难以获得大量故障样本仍然能较好地解决滚动轴承这类非线性问题。PSO的规则相对更简约，并没有遗传算法交叉等复杂步骤，利用PSO确定SVM内核函数中的参数g和c，2个算法相结合完成故障识别的重要一步。本文所提故障诊断流程如图1所示。

2实验验证

为了验证方法的有效性及适用性，采用实验数据对故障诊断方法进行验证。采用DDS实验台，轴承型号ER-12K，8个直径φ7.9mm滚动体，节径φ33.5mm，在轴承主要部件上分别加工直径φ0.51mm、深度0.24mm的凹槽模拟点蚀故障。数据采集中,采样频率为24kHz，数据长度12000点，电机转速2100r/min，即旋转频率为27Hz，信号分析时长截取0.35s。获取正常状态以及内圈、滚动体和外圈故障3类数据，任取不同状态下的一组振动信号，因篇幅有限，只列举内圈故障时轴承时域、频谱图如图2所示。由图2可知，滚动轴承频谱中存在干扰，故障特征频率难以识别，且低频部分所受噪声影响更加明显，由于轴承故障设置的较为微弱，这表明表征故障特征的很多能量较小的冲击成分被淹没在噪声成分中。为提高故障特征提取的准确性，使用MCKD降噪，降噪后滚动体故障信号时域图如图3所示。使用STOA对vmd的参数组合［k，α］进行优化，得到适应度随种群迭代次数变化的曲线如图4所示，由图4可以看出，当第9次迭代时适应度函数取最小值，此时可以得出内圈故障时参数的最优组合［6，1624］，其余3种状态优化结果为正常状态［6，1722］、外圈故障［6，1857］、滚动体故障［6，1893］。VMD分解结果如图5所示。任意选择15组数据作为训练样本，对4种不同状态样本进行STOA-VMD分解和VMD分解，分别计算出分解后每组的特征向量ERMS的值。STOA-VMD方法训练组样本的ERMS值如表1所示，VMD方法训练组样本的ERMS值如表2所示。由图6可知，轴承处于不同的状态时其对应的ERMS值分布曲线清晰且独立，分别在各自特征范围内波动，相互之间明显具有区分度。由图7可知，曲线中有3条在相近的范围内波动，特征向量ERMS数值区别度小，不易区分不同的状态，也不利于输入SVM中训练。本文中滚动轴承4种振动信号一共收集了80组数据样本，其中每种振动信号包含20组样本，每种状态前10组作为样本输入PSO-SVM。测试结果如图8所示，准确率为100%。应用本文提出的方法，不仅能对测试组内4种状态的数据分别进行100%的正确分类，整体分类准确度也高达100%。不同诊断模型的诊断结果如表3所示，不难看出本文提出的方法准确率最高，据此可以验证本文提出的基于MCKD、STOA-VMD、均方根熵和PSO-SVM的滚动轴承故障诊断方法是一种有效且准确率高的滚动轴承故障识别方法。表3不同诊断模型的诊断结果

3结语

（1）首先采用MCKD对滚动轴承早期故障信号进行降噪，突显出信号的信噪比；

（2）信噪比提高后，再利用STOA-VMD方法分解信号，获得若干IMFs分量，以均方根熵值作为故障特征参量；

（3）最后输入PSO-SVM分类器中测试得出结果，实现不同故障类型的判别。对比实验结果，诊断结果与实际故障情况相符度较高，验证了本文提出的方法行之有效。

作者:任学平 左晗玥 单位:内蒙古科技大学机械工程学院