基于改進(jìn)變分模態(tài)分解的滾動(dòng)軸承故障診斷方法

孟 宗, 呂 蒙, 殷 娜, 李 晶

(燕山大學(xué) 河北省測(cè)試計(jì)量技術(shù)及儀器重點(diǎn)實(shí)驗(yàn)室, 河北 秦皇島 066004)

1 引 言

滾動(dòng)軸承在各種旋轉(zhuǎn)機(jī)械中應(yīng)用廣泛,其運(yùn)行狀態(tài)往往影響整臺(tái)機(jī)器的性能,對(duì)滾動(dòng)軸承進(jìn)行狀態(tài)監(jiān)測(cè)以及故障診斷具有重要意義。當(dāng)軸承發(fā)生損傷時(shí),其振動(dòng)信號(hào)表現(xiàn)為非線性、非平穩(wěn)、非高斯特征,且信號(hào)微弱、調(diào)制性強(qiáng)、背景噪聲大,使故障特征淹沒(méi)在強(qiáng)背景噪聲中,難以提取[1,2]。目前常見(jiàn)的非線性非平穩(wěn)處理方法有:經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)、局部均值分解(local mean decomposition,LMD)等。以上方法在軸承故障信號(hào)處理中都得到了良好的效果[3],但也有各自的局限性。EMD分解缺乏嚴(yán)格的數(shù)學(xué)基礎(chǔ),容易產(chǎn)生模態(tài)混疊、端點(diǎn)效應(yīng)[4],并且存在算法效率低等問(wèn)題;LMD分解存在迭代計(jì)算量大、由解調(diào)引起的信號(hào)突變等問(wèn)題[5]。變分模態(tài)分解(variational mode decomposition,VMD)是最近提出的一種信號(hào)分解方法,該方法具有較好的抗噪性和更高的頻域分辨力,能夠提取出較微弱的信號(hào)成分[6]。然而VMD分解必須提前設(shè)定分解層數(shù),層數(shù)設(shè)置不當(dāng)會(huì)引起模態(tài)混疊或者大量虛假分量的產(chǎn)生[7]。文獻(xiàn)[8]使用蛙跳算法搜索VMD算法的最優(yōu)參數(shù),文獻(xiàn)[9]通過(guò)粒子群算法搜索VMD分解的最佳參數(shù),以上方法都以包絡(luò)熵作為判斷標(biāo)準(zhǔn)。這些方法不但計(jì)算繁瑣,其效果在很大程度上受到優(yōu)化算法的參數(shù)設(shè)定的影響,并且沒(méi)有足夠的理論依據(jù)。

本文利用改進(jìn)的奇異值分解(singular value decomposition, SVD)對(duì)故障信號(hào)降噪[10～12],通過(guò)奇異值平均下降速度法確定有效奇異值個(gè)數(shù);并通過(guò)能量占比確定VMD分解的最佳分解層數(shù),將根據(jù)相關(guān)系數(shù)判斷為分解自同一調(diào)頻部分的分量信號(hào)作為一個(gè)整體處理,最后對(duì)分解得到的IMF分量進(jìn)行包絡(luò)解調(diào)提取故障特征,判斷故障類(lèi)型。……