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，敬請閱讀。
摘要：針對早期滾動軸承故障診斷準確率低、信號特性不平穩(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（PSO-SVM）的滾動軸承故障診斷模型。首先使用MCKD處理信號提高信噪比，再通過STOA－VMD對信號進行分解，特征參量選用均方根熵值，輸入PSO-SVM實現(xiàn)故障分類，并由實驗和仿真驗證了該方法可使故障診斷準確率明顯提高。
關鍵詞：STOA-VMD；均方根熵值；PSO-SVM；MCKD
0引言
滾動軸承被廣泛應用于機械領域，數(shù)據(jù)顯示因滾動軸承故障引發(fā)的事故高達70%，因此盡早發(fā)現(xiàn)故障并提前干預以降低損失、提高生產(chǎn)效率具有重大意義。考慮軸承振動信號的非平穩(wěn)特性，采用噪聲魯棒性好、適應性強的變分模態(tài)分解（VMD）方法，極大程度地降低了模態(tài)混疊、端點效應、分解錯誤等問題的出現(xiàn)；分解前進行預先的降噪處理可進一步提高信噪比；故障分類法繁多，考慮到支持向量機（SVM）對小樣本數(shù)據(jù)的分類能力具有很大的優(yōu)勢，因此選用SVM進行軸承故障診斷，并結合智能算法更好地完成故障診斷。基于以上問題，本文提出了基于最大相關峭度解卷積算法（MCKD）、烏燕歐算法（STOA）優(yōu)化VMD和粒子群算法（PSO）優(yōu)化SVM的滾動軸承故障診斷模型，并由實驗和仿真對比結果表明本文所提方法的實用性。
1基本理論
（1）MCKD算法
受工作環(huán)境的影響極大，實測信號被噪聲嚴重干擾，直接使用往往存在誤差，此時的初期故障信號尤其微弱，所以先使用MCKD算法對信號降噪預處理以凸顯故障脈沖信號，其本質(zhì)是計算尋得l長度的濾波器f（l），并以相關峭度為指標，不斷實現(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，把信號自適應地分解為k個調(diào)幅調(diào)頻分量信號（IMFs），主要是建立變分模型并對模型進行求解。實現(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設定ε>0，重復②與③，不斷更新直到滿足約束條件kk＝1Σ（｜｜uk－uk||2/||uk||2）<ε（4）沒有堅實理論支撐的傳統(tǒng)方法，任憑人為主觀的經(jīng)驗確定VMD的［k，α］組合，產(chǎn)生誤差會嚴重影響到VMD算法的分解精度。為此，引用STOA對VMD的參數(shù)進行優(yōu)化，這種算法具有很強的全局搜索能力，迭代時全局尋優(yōu)，避免陷入局部最優(yōu)解，具有精度較高、尋優(yōu)速度較快、計算量小且容易實現(xiàn)等優(yōu)點。
（3）均方根熵值
振動信號瞬時幅度在采樣時段內(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里隱含的能量信息。信息熵則代表的是系統(tǒng)復雜程度，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。把兩者概念有機融合就得到了兼具兩者優(yōu)點的均方根熵值ERMS，每種故障的ERMS是不同的且計算簡單，十分適合用作特征向量。均方根熵值ERMS=-ni＝1ΣEilog2Ei（5）式中Ei———第i個分量的均方根值。
（4）故障識別
滾動軸承振動信號的特征并不平穩(wěn),實際中又無法獲取大量故障數(shù)據(jù)用來訓練,此時SVM就是故障分類的最佳方法，即使現(xiàn)實中難以獲得大量故障樣本仍然能較好地解決滾動軸承這類非線性問題。PSO的規(guī)則相對更簡約，并沒有遺傳算法交叉等復雜步驟，利用PSO確定SVM內(nèi)核函數(shù)中的參數(shù)g和c，2個算法相結合完成故障識別的重要一步。本文所提故障診斷流程如圖1所示。
2實驗驗證
為了驗證方法的有效性及適用性，采用實驗數(shù)據(jù)對故障診斷方法進行驗證。采用DDS實驗臺，軸承型號ER-12K，8個直徑φ7.9mm滾動體，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的凹槽模擬點蝕故障。數(shù)據(jù)采集中,采樣頻率為24kHz，數(shù)據(jù)長度12000點，電機轉(zhuǎn)速2100r/min，即旋轉(zhuǎn)頻率為27Hz，信號分析時長截取0.35s。獲取正常狀態(tài)以及內(nèi)圈、滾動體和外圈故障3類數(shù)據(jù)，任取不同狀態(tài)下的一組振動信號，因篇幅有限，只列舉內(nèi)圈故障時軸承時域、頻譜圖如圖2所示。由圖2可知，滾動軸承頻譜中存在干擾，故障特征頻率難以識別，且低頻部分所受噪聲影響更加明顯，由于軸承故障設置的較為微弱，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確性，使用MCKD降噪，降噪后滾動體故障信號時域圖如圖3所示。使用STOA對vmd的參數(shù)組合［k，α］進行優(yōu)化，得到適應度隨種群迭代次數(shù)變化的曲線如圖4所示，由圖4可以看出，當?shù)?次迭代時適應度函數(shù)取最小值，此時可以得出內(nèi)圈故障時參數(shù)的最優(yōu)組合［6，1624］，其余3種狀態(tài)優(yōu)化結果為正常狀態(tài)［6，1722］、外圈故障［6，1857］、滾動體故障［6，1893］。VMD分解結果如圖5所示。任意選擇15組數(shù)據(jù)作為訓練樣本，對4種不同狀態(tài)樣本進行STOA-VMD分解和VMD分解，分別計算出分解后每組的特征向量ERMS的值。STOA-VMD方法訓練組樣本的ERMS值如表1所示，VMD方法訓練組樣本的ERMS值如表2所示。由圖6可知，軸承處于不同的狀態(tài)時其對應的ERMS值分布曲線清晰且獨立，分別在各自特征范圍內(nèi)波動，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，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中訓練。本文中滾動軸承4種振動信號一共收集了80組數(shù)據(jù)樣本，其中每種振動信號包含20組樣本，每種狀態(tài)前10組作為樣本輸入PSO-SVM。測試結果如圖8所示，準確率為100%。應用本文提出的方法，不僅能對測試組內(nèi)4種狀態(tài)的數(shù)據(jù)分別進行100%的正確分類，整體分類準確度也高達100%。不同診斷模型的診斷結果如表3所示，不難看出本文提出的方法準確率最高，據(jù)此可以驗證本文提出的基于MCKD、STOA-VMD、均方根熵和PSO-SVM的滾動軸承故障診斷方法是一種有效且準確率高的滾動軸承故障識別方法。表3不同診斷模型的診斷結果
3結語
（1）首先采用MCKD對滾動軸承早期故障信號進行降噪，突顯出信號的信噪比；
（2）信噪比提高后，再利用STOA-VMD方法分解信號，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分類器中測試得出結果，實現(xiàn)不同故障類型的判別。對比實驗結果，診斷結果與實際故障情況相符度較高，驗證了本文提出的方法行之有效。
作者:任學平 左晗玥 單位:內(nèi)蒙古科技大學機械工程學院