[發明專利]基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法

在審

• 申請號: 201810610048.2
• 申請日: 2018-06-13
• 公開（公告）號: CN108426715A
• 公開（公告）日: 2018-08-21
• 發明（設計）人: 張俊;張建群;鐘敏;李習科;許濤
• 申請（專利權）人: 福州大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：包括以下步驟：

步驟一：利用一加速度傳感器對旋轉機械設備進行測量，獲取振動加速度信號；

步驟二：利用PSO算法優化VMD算法中的α和K，后對采集的振動信號進行VMD分解；

步驟三：基于VMD對微弱故障信號分解后的結果，利用包絡譜峰值因子最大準則，選取最優模態分量；

步驟四：根據最優模態分量的包絡譜中的突出頻率范圍，確定PSO對MCKD算法中T的尋優范圍，并基于參數優化結果，MCKD分析進一步增強最優分量中的故障沖擊成分。

步驟五：通過包絡譜提取出滾動軸承故障特征，并與傳動系統中的理論軸承故障頻率進行對比，從而得出診斷結果。

2.根據權利要求1所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：所述振動信號為傳動軸徑向振動加速度信號。

3.根據權利要求1所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：所述VMD算法是通過迭代搜索變分模型中的最優解，將一個實際信號分解成K個離散的模態u_k，并且確定每個模態分量的中心頻率ω_k和帶寬；所述MCKD算法以信號相關峭度最大化為優化目標，通過迭代完成振動信號的解卷積運算，突出信號中被強烈噪聲所掩蓋的連續脈沖，在信噪比較低的信號中，提取出滾動軸承的代表振動特性的特征信號。

4.根據權利要求1所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于，所述優化方案均采用PSO算法，對VMD、MCKD中的參數進行全局尋優；所述PSO算法為采用慣性權重成凹函數變化的標準PSO算法；具體的速度更新公式及位置更新公式為：

式中：o＝1，2，3，…，O；O為種群規模；h為迭代次數，H為最大迭代次數；為粒子o第h次迭代中d維的速度；為最大權重，為最小權重；c₁和c₂為學習因子；η為介于區間[0,1]的隨機數；為第h次迭代中粒子o在第d維的個體極值點的位置；為第h次迭代中粒子o在d維的當前位置；為第h次迭代中整個種群在d維的全局極值的位置。

5.根據權利要求4所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：所述標準PSO算法的具體參數設置：學習因子c₁＝c₂＝2，種群規模O＝30，最大迭代次數H＝20，最大權重最小權重

6.根據權利要求4所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：所述VMD算法中參數的尋優范圍中懲罰因子α的尋優范圍為[100,2000]，分量個數K的尋優范圍為[3,10]。

7.根據權利要求6所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：所述PSO算法優化VMD、MCKD的適應度函數均為包絡譜峰值因子，且VMD分解后，計算出分量的包絡譜峰值因子大小，從而比較出最優分量；

其中，包絡譜峰值因子定義：

式中：X(z)為包絡譜在[f_r′,γf_i′]頻率范圍的幅值，f_r′取值大于故障軸承所在軸的轉頻；f_i′為傳系統最大軸承故障頻率；z＝1,2,…,Z；γ取4～8。

8.根據權利要求7所述的基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法，其特征在于：所述最優分量進行包絡譜分析后，根據頻譜圖中的突出頻率范圍確定后續MCKD參數T的尋優范圍；所述MCKD參數T的尋優范圍，由公式T＝f_s/f_i確定，其中，f_s為采樣頻率，f_i為故障頻率，未知故障頻率即用所述突出頻率代替；所述MCKD算法中濾波器長度參數L的尋優范圍為[100,1000]。