基于GA-VMD的滾動軸承故障特征信號提取方法*

尹懷彥,張 濤

(蘭州交通大學 機電工程學院,甘肅 蘭州 730070)

0 引 言

滾動軸承作為旋轉機械的核心部件,在機械設備正常運行中起著關鍵作用。軸承一旦出現故障,就會影響到整個設備的運行。因此,能否及時發現軸承出現的故障,對企業的生產效益有著重大影響。

對于軸承故障的診斷方法有很多種,Huang等[1]提出的經驗模態分解(Empirical Mode Decomposition,EMD)是一種自適應的信號處理方法,該方法應用廣泛,但卻存在端點效應、模態混疊等缺點。Dragomiretskiy等[2]提出的變分模態分解(Variational Mode Decomposition,VMD)是一種非遞歸的模態分解方法,可以有效避免EMD方法出現的缺點,受到國內外眾多學者的關注。但是VMD方法的分解效果受到模態分解個數和懲罰因子兩個參數的影響。劉澤銳等[3]對振動信號進行VMD分解后,對相關峭度值較大的IMF(Intrinsic Mode Functions, IMFs)分量進行快速峭度譜分析,并進行故障的識別。李永琪等[4]建立了一種以平均包絡譜為適應度函數的天牛須搜索方法優化 VMD的參數,用加權合成峭度選取了IMF的最佳分量,通過仿真信號和實驗數據驗證了所提方法的有效性。劉建昌等[5]用遺傳變異粒子群算法對VMD進行參數優化,獲取最優的[k,α]參數組合。何勇等[6]提出了以峭度和包絡熵為綜合目標函數的遺傳算法優化VMD,得到[k,α]參數的最佳組合,并提取了故障特征信息。鄭小霞等[7]在對VMD的兩個參數進行選取時,通過試驗的方法確定了參數的取值,但沒有考慮分解個數與懲罰因子的相互影響。張俊等[8]用標準粒子群算法對VMD和MCKD的參數的值進行尋優,通過包絡譜提取了軸承故障特征信息。……