基于参数优化VMD的早期轴承故障诊断.docx

基于参数优化VMD的早期轴承故障诊断摘要：变分模态分解是一种优秀的信号分析方法，常被用于诊断滚动轴承故障状态。但是其分解结果受分解模态数目K以及平衡因子影响，在不同参数条件下其分解结果相差很大，如果选择参数错误可能会影响诊断结果，因此本文选用粒子群优化算法对两个分解参数进行优化，提升变分模态分解在滚动轴承故障诊断中的稳定性。关键词：变分模态分解，粒子群优化算法，滚动轴承，故障诊断中图分类号：TH133.331引言滚动轴承是旋转机械的重要组成部分，轴承故障可导致重大事故和高停机时间。滚动轴承早期故障产生的冲击信号十分微弱，并且由于背景噪声的影响，故障特征很难识别。如果能够在故障早期提取滚动轴承的故障信息，对轴承运行状态进行准确判断，并及时修复或者更换损伤轴承，即可避免连锁故障，故滚动轴承早期故障诊断十分重要。希尔伯特黄变换能够自适应处理非线性、非平稳信号，被广泛运用于机械信号处理与故障诊断领域中，但是其存在模态混叠、模态冗余等不足之处。针对其不足，变分模态分解[1]通过构建以带宽之和最小的变分模型对信号进行模态分解。变分模态分解方法因其方法优势被广泛应用于故障诊断当中，Xu等[2]采用解卷积方法补偿传递路径后利用级联变分模态分解方法分离早期故障信号与噪声，实现了低信噪比声信号对轴承进行诊断。但是变分模态分解结果受分解参数影响，实现自适应选取分解参数对诊断结果的稳定性以及可靠性至关重要。基于上述分析本文提出参数优化变分模态分解早期轴承故障诊断。通过粒子群算法对变分模态分解参数组合进行优化确定最优分解结果，可以有效地克服变分模态分解参数选取问题，实现对滚动轴承故障自适应诊断，通过试验台信号验证了本文方法的有效性。2方法原理变分模态分解是将信号分解为有限个具有限定带宽的模态，变分问题的解为带宽之和最小。变分模态分解模型的构建步骤如下：对每个模态分量进行Hilbert变换：(1)对每个模态预设一个中心频率，将各模态得到的解析信号频谱通过移频的方式移到基带上：(2)计算解调信号梯度的范数，估计出各频带的带宽：(3)式（3）即为构造的变分模型，求解变分模型的步骤如下：引入平衡因子α和拉格朗日乘法算子λ(t)，将约束变分问题转化为无约束变分问题，其表达式如下：(4)（2）利用乘子交替方向算法（ADMM）求取无约束变分问题的鞍点，各参数的更新算法如下：（5）（6）（7）参数优化变分模态分解参数优化变分模态分解方法可以总结为以下几个步骤：设置变分模态分解参数（分解数目K与平衡因子α）范围及步长，确定参数组合以分解结果的峭度为目标函数使用粒子群优化算法对各参数组合下变分模态分解的采集信号处理结果进行寻优，得到最优分解结果BLIMFs。对BLIMFs使用Hilbert变换进行包络解调，对得到的包络信号进行傅里叶变换，从而得到信号的包络谱。根据包络谱中的特征频率来判断滚动轴承故障类型。4.试验验证使用滚动轴承故障模拟试验台采集相关数据集，采用激光雕刻技术对注入故障，转速频率为26.78Hz，计算其内圈故障特征频率为207.545Hz，采集信号其时域波形和包络谱如图1（a）（b）所示。可以看出其时域波形冲击不突出，包络谱看不出明显故障特征频率。经过本文方法处理结果如图1（c）所示，其包络谱如图1（d）所示，由图1对比可以看出本文方法可以明显增强微弱故障信号，有效提取到滚动轴承故障特征频率。图1信号处理结果对比图5.结论本文提出的参数优化VMD方法通过粒子群方法选取最优参数组合，对最优分解结果利用包络解调方法对实际滚动轴承内圈微弱故障进行分析，准确提取了故障特征频率及其倍频，表明参数优化VMD方法可以自适应地对滚动轴承故障信号进行分析，得到清晰而又准确的故障特征，完成对滚动轴承的精确诊断。参考文献K.Dragomiretskiy,andD.Zosso,Variationalmodedecomposition[J],IEEETransactionSignalProcessing,2013,62:531-544.XuZ.,QinC.,TangG.,Anoveldeconvolutioncascadedvariationalmodedecompositionforweakbearingfaultdetectionwithunknownsignaltransmissionpath[J],IEEESensorsJournal,doi:10.1109/JSEN.2020.3016095.-全文完-