[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

本發明提供一種基于PSO?VMD?MCKD的滾動軸承微弱故障診斷方法，對采集到的振動信號，首先利用PSO算法優化VMD算法，基于VMD對微弱故障信號分解后的結果，選取最優模態分量。其次，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；利用PSO優化MCKD算法,再基于MCKD算法加強最優分量信號中的故障沖擊成分。最后，包絡譜提取軸承微弱故障特征并與理論故障頻率進行對比，得到故障診斷結果。本發明克服了VMD和MCKD算法中參數難以確定問題，采用VMD實現了信號降噪及獲取突出故障頻率范圍，采用MCKD進一步增強故障沖擊成分，對于滾動軸承微弱故障診斷更為精準。

技術領域

本發明屬于旋轉類機械故障診斷領域，具體涉及一種基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法。

背景技術

滾動軸承故障是影響旋轉類機械正常運行的重要因素之一。由于軸承早期故障產生的沖擊十分微弱，易被系統噪聲干擾，加上滾動軸承的振動傳遞路徑復雜，使得其故障特征的提取非常困難。因此，如何有效地對滾動軸承原始故障信號進行降噪并增強信號中微弱沖擊成分，是進行該類部件早期故障診斷的關鍵。

滾動軸承故障信號為非線性、非平穩信號，針對這一類信號，學者們提出了多種處理方法。近年來，小波降噪、EMD分解、EEMD分解、LMD分解常被運用在故障診斷領域中。需要指出的是，盡管上述各方法在滾動軸承故障診斷時取得了一定效果，但仍存在下列問題：(1)小波變換，難以根據實際信號實現小波基及分解層數的自適應選擇；(2)EMD、EEMD、LMD等都屬于遞歸模態分解，且缺乏嚴格的數學理論。針對上述非線性信號處理方法的不足，變分模態分解(VMD)，可有效避免EMD等信號分解產生的模態混疊、端點效應等問題。MCKD通過解卷積運算突出被噪聲淹沒的連續沖擊脈沖，提高原始信號的相關峭度值，非常適用于提取微弱故障信號的連續瞬態沖擊。單一使用VMD分解較難得到良好的準斷效果，有學者采用MCKD降噪后，再采用VMD分解，成功地診斷出軸承微弱故障，但并未探討兩種算法參數如何確定。VMD算法和MCKD算法需要人為設置一些參數，且參數的取值對算法的影響非常大。

發明內容

針對滾動軸承早期產生的沖擊十分微弱，易被系統噪聲干擾造成軸承微弱故障診斷困難問題，且VMD算法、MCKD算法參數難以確定問題；本發明提出一種基于PSO-VMD-MCKD的滾動軸承微弱故障診斷方法。

本發明提出的技術方法包括以下步驟：

步驟一：利用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。

優選的，所述振動信號為傳動軸徑向振動加速度信號；其中，通過振動加速度傳感器獲取所述振動加速度信號。

優選的，所述VMD算法是一種完全非遞歸模式的信號分解方法，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，可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，提取出滾動軸承故障特征信號。

優選的，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。