參數(shù)優(yōu)化VMD下軸承故障診斷方法探究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了參數(shù)優(yōu)化VMD下軸承故障診斷方法探究范文，希望能給你帶來靈感和參考，敬請(qǐng)閱讀。

摘要：針對(duì)早期滾動(dòng)軸承故障診斷準(zhǔn)確率低、信號(hào)特性不平穩(wěn)且難以獲取大量樣本等問題，提出基于最大相關(guān)峭度解卷積（MCKD）、烏燕鷗算法優(yōu)化變分模態(tài)分解（STOA-VMD）和粒子群算法優(yōu)化支持向量機(jī)（PSO-SVM）的滾動(dòng)軸承故障診斷模型。首先使用MCKD處理信號(hào)提高信噪比，再通過STOA－VMD對(duì)信號(hào)進(jìn)行分解，特征參量選用均方根熵值，輸入PSO-SVM實(shí)現(xiàn)故障分類，并由實(shí)驗(yàn)和仿真驗(yàn)證了該方法可使故障診斷準(zhǔn)確率明顯提高。

關(guān)鍵詞：STOA-VMD；均方根熵值；PSO-SVM；MCKD

0引言

滾動(dòng)軸承被廣泛應(yīng)用于機(jī)械領(lǐng)域，數(shù)據(jù)顯示因滾動(dòng)軸承故障引發(fā)的事故高達(dá)70%，因此盡早發(fā)現(xiàn)故障并提前干預(yù)以降低損失、提高生產(chǎn)效率具有重大意義?？紤]軸承振動(dòng)信號(hào)的非平穩(wěn)特性，采用噪聲魯棒性好、適應(yīng)性強(qiáng)的變分模態(tài)分解（VMD）方法，極大程度地降低了模態(tài)混疊、端點(diǎn)效應(yīng)、分解錯(cuò)誤等問題的出現(xiàn)；分解前進(jìn)行預(yù)先的降噪處理可進(jìn)一步提高信噪比；故障分類法繁多，考慮到支持向量機(jī)（SVM）對(duì)小樣本數(shù)據(jù)的分類能力具有很大的優(yōu)勢(shì)，因此選用SVM進(jìn)行軸承故障診斷，并結(jié)合智能算法更好地完成故障診斷?；谝陨蠁栴}，本文提出了基于最大相關(guān)峭度解卷積算法（MCKD）、烏燕歐算法（STOA）優(yōu)化VMD和粒子群算法（PSO）優(yōu)化SVM的滾動(dòng)軸承故障診斷模型，并由實(shí)驗(yàn)和仿真對(duì)比結(jié)果表明本文所提方法的實(shí)用性。

1基本理論

（1）MCKD算法

受工作環(huán)境的影響極大，實(shí)測(cè)信號(hào)被噪聲嚴(yán)重干擾，直接使用往往存在誤差，此時(shí)的初期故障信號(hào)尤其微弱，所以先使用MCKD算法對(duì)信號(hào)降噪預(yù)處理以凸顯故障脈沖信號(hào)，其本質(zhì)是計(jì)算尋得l長度的濾波器f（l），并以相關(guān)峭度為指標(biāo)，不斷實(shí)現(xiàn)解卷積，濾除噪聲干擾成分凸顯故障脈沖，即故障沖擊成分y=f·x=Lk=1Σfkxn-k+1（1）式中f———濾波器系數(shù)。

（2）STOA優(yōu)化VMD

VMD能夠迭代求解變分問題，把信號(hào)自適應(yīng)地分解為k個(gè)調(diào)幅調(diào)頻分量信號(hào)（IMFs），主要是建立變分模型并對(duì)模型進(jìn)行求解。實(shí)現(xiàn)步驟：①把模態(tài)函數(shù)uk、中心頻率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———懲罰參數(shù)。④設(shè)定ε>0，重復(fù)②與③，不斷更新直到滿足約束條件kk＝1Σ（｜｜uk－uk||2/||uk||2）<ε（4）沒有堅(jiān)實(shí)理論支撐的傳統(tǒng)方法，任憑人為主觀的經(jīng)驗(yàn)確定VMD的［k，α］組合，產(chǎn)生誤差會(huì)嚴(yán)重影響到VMD算法的分解精度。為此，引用STOA對(duì)VMD的參數(shù)進(jìn)行優(yōu)化，這種算法具有很強(qiáng)的全局搜索能力，迭代時(shí)全局尋優(yōu)，避免陷入局部最優(yōu)解，具有精度較高、尋優(yōu)速度較快、計(jì)算量小且容易實(shí)現(xiàn)等優(yōu)點(diǎn)。

（3）均方根熵值

振動(dòng)信號(hào)瞬時(shí)幅度在采樣時(shí)段內(nèi)的變化可以用均方根誤差來表示，其中的均方根值能較好地反映出信號(hào)里隱含的能量信息。信息熵則代表的是系統(tǒng)復(fù)雜程度，系統(tǒng)可能具有若干的不確定原因，越混亂越無序的系統(tǒng)，信息熵值就越高。把兩者概念有機(jī)融合就得到了兼具兩者優(yōu)點(diǎn)的均方根熵值ERMS，每種故障的ERMS是不同的且計(jì)算簡單，十分適合用作特征向量。均方根熵值ERMS=-ni＝1ΣEilog2Ei（5）式中Ei———第i個(gè)分量的均方根值。

（4）故障識(shí)別

滾動(dòng)軸承振動(dòng)信號(hào)的特征并不平穩(wěn),實(shí)際中又無法獲取大量故障數(shù)據(jù)用來訓(xùn)練,此時(shí)SVM就是故障分類的最佳方法，即使現(xiàn)實(shí)中難以獲得大量故障樣本仍然能較好地解決滾動(dòng)軸承這類非線性問題。PSO的規(guī)則相對(duì)更簡約，并沒有遺傳算法交叉等復(fù)雜步驟，利用PSO確定SVM內(nèi)核函數(shù)中的參數(shù)g和c，2個(gè)算法相結(jié)合完成故障識(shí)別的重要一步。本文所提故障診斷流程如圖1所示。

2實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證方法的有效性及適用性，采用實(shí)驗(yàn)數(shù)據(jù)對(duì)故障診斷方法進(jìn)行驗(yàn)證。采用DDS實(shí)驗(yàn)臺(tái)，軸承型號(hào)ER-12K，8個(gè)直徑φ7.9mm滾動(dòng)體，節(jié)徑φ33.5mm，在軸承主要部件上分別加工直徑φ0.51mm、深度0.24mm的凹槽模擬點(diǎn)蝕故障。數(shù)據(jù)采集中,采樣頻率為24kHz，數(shù)據(jù)長度12000點(diǎn)，電機(jī)轉(zhuǎn)速2100r/min，即旋轉(zhuǎn)頻率為27Hz，信號(hào)分析時(shí)長截取0.35s。獲取正常狀態(tài)以及內(nèi)圈、滾動(dòng)體和外圈故障3類數(shù)據(jù)，任取不同狀態(tài)下的一組振動(dòng)信號(hào)，因篇幅有限，只列舉內(nèi)圈故障時(shí)軸承時(shí)域、頻譜圖如圖2所示。由圖2可知，滾動(dòng)軸承頻譜中存在干擾，故障特征頻率難以識(shí)別，且低頻部分所受噪聲影響更加明顯，由于軸承故障設(shè)置的較為微弱，這表明表征故障特征的很多能量較小的沖擊成分被淹沒在噪聲成分中。為提高故障特征提取的準(zhǔn)確性，使用MCKD降噪，降噪后滾動(dòng)體故障信號(hào)時(shí)域圖如圖3所示。使用STOA對(duì)vmd的參數(shù)組合［k，α］進(jìn)行優(yōu)化，得到適應(yīng)度隨種群迭代次數(shù)變化的曲線如圖4所示，由圖4可以看出，當(dāng)?shù)?次迭代時(shí)適應(yīng)度函數(shù)取最小值，此時(shí)可以得出內(nèi)圈故障時(shí)參數(shù)的最優(yōu)組合［6，1624］，其余3種狀態(tài)優(yōu)化結(jié)果為正常狀態(tài)［6，1722］、外圈故障［6，1857］、滾動(dòng)體故障［6，1893］。VMD分解結(jié)果如圖5所示。任意選擇15組數(shù)據(jù)作為訓(xùn)練樣本，對(duì)4種不同狀態(tài)樣本進(jìn)行STOA-VMD分解和VMD分解，分別計(jì)算出分解后每組的特征向量ERMS的值。STOA-VMD方法訓(xùn)練組樣本的ERMS值如表1所示，VMD方法訓(xùn)練組樣本的ERMS值如表2所示。由圖6可知，軸承處于不同的狀態(tài)時(shí)其對(duì)應(yīng)的ERMS值分布曲線清晰且獨(dú)立，分別在各自特征范圍內(nèi)波動(dòng)，相互之間明顯具有區(qū)分度。由圖7可知，曲線中有3條在相近的范圍內(nèi)波動(dòng)，特征向量ERMS數(shù)值區(qū)別度小，不易區(qū)分不同的狀態(tài)，也不利于輸入SVM中訓(xùn)練。本文中滾動(dòng)軸承4種振動(dòng)信號(hào)一共收集了80組數(shù)據(jù)樣本，其中每種振動(dòng)信號(hào)包含20組樣本，每種狀態(tài)前10組作為樣本輸入PSO-SVM。測(cè)試結(jié)果如圖8所示，準(zhǔn)確率為100%。應(yīng)用本文提出的方法，不僅能對(duì)測(cè)試組內(nèi)4種狀態(tài)的數(shù)據(jù)分別進(jìn)行100%的正確分類，整體分類準(zhǔn)確度也高達(dá)100%。不同診斷模型的診斷結(jié)果如表3所示，不難看出本文提出的方法準(zhǔn)確率最高，據(jù)此可以驗(yàn)證本文提出的基于MCKD、STOA-VMD、均方根熵和PSO-SVM的滾動(dòng)軸承故障診斷方法是一種有效且準(zhǔn)確率高的滾動(dòng)軸承故障識(shí)別方法。表3不同診斷模型的診斷結(jié)果

3結(jié)語

（1）首先采用MCKD對(duì)滾動(dòng)軸承早期故障信號(hào)進(jìn)行降噪，突顯出信號(hào)的信噪比；

（2）信噪比提高后，再利用STOA-VMD方法分解信號(hào)，獲得若干IMFs分量，以均方根熵值作為故障特征參量；

（3）最后輸入PSO-SVM分類器中測(cè)試得出結(jié)果，實(shí)現(xiàn)不同故障類型的判別。對(duì)比實(shí)驗(yàn)結(jié)果，診斷結(jié)果與實(shí)際故障情況相符度較高，驗(yàn)證了本文提出的方法行之有效。

作者:任學(xué)平 左晗玥 單位:內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院