基于IAO-MCKD的電機軸承故障診斷*

劉福康，楊光永，王 林，吳大飛，徐天奇

(云南民族大學電氣信息工程學院，昆明 650000)

0 引言

針對電機軸承的故障研究，目前有短時傅里葉變換與小波分析[1]、最小熵反卷積[2]、變分模態分解[3]等。其中最小熵反卷積(MED)廣泛應用于軸承的故障診斷[4]。但MED對周期信號存在一定缺陷，為了能有效提取周期性脈沖分量，抑制信號噪聲的影響，McDonald等2012年在MED的基礎上提出了最大相關峭度反卷積(MCKD)[5]。該方法以相關峭度值作為評價指標，提取有用信號從而達到降噪目的。目前，MCKD已在滾動軸上對旋轉機械零件，如軸承[6]、齒輪[7]故障診斷時取得了顯著成效。但MCKD參數的選擇需要人工的設置，且參數的不同對算法的影響較大，為充分發揮MCKD算法的降噪性能，提取有效信號，文獻[8]中采用粒子群算法實現了MCKD參數濾波器階數L和周期T的自適應選擇，但其方法收斂速度較慢，且容易陷入局部最優。

綜上所述，使用MCKD對信號進行處理時，往往需要確定濾波器階數L，周期T和位移數M等主要參數，針對以上情況，為了提高MCKD降噪效果，本文提出了一種新的方法：采用改進AO算法優化MCKD，通過構造適應度函數，對濾波器階數L和周期T等參數實現自適應選擇，從而解決了人工選擇參數對MCKD算法所造成的影響，將改進后的AO算法與經典的天鷹算法[9]，粒子群算法[10]和麻雀算法[11]做了對比實驗，實驗證明，改進后的AO算法具有收斂速度更快，處理陷入局部最優問題更靈活等特點。

1 最大相關峭度反卷積

電機軸承故障信號可表達為：