一種基于變分模態分解參數優化的軸承故障診斷方法

張 靜， 紀俊卿， 許同樂， 鄒方豪， 張 涵

(山東理工大學機械工程學院， 淄博 255000)

滾動軸承作為齒輪箱內重要部件之一，它優劣的運行狀態將會對整個傳動鏈系統運轉產生影響，且位于齒輪箱里的滾動軸承在發生故障時，其與其他零部件的故障特點有差異，加上許多機械設備(如風電機組)的工作環境惡劣，故障時的維修成本高[1-2]，所以對滾動軸承的狀態檢測和初期故障診斷這一項工作就顯得尤為重要。滾動軸承在發生局部故障時，周期性脈沖信號會夾雜在振動信號中[3-4]，因而振動信號分析就成為目前滾動軸承故障診斷的常用技術之一[5]。

變分模態分解(variational mode decomposition, VMD)作為一種新的信號處理方法[6]被提出，應用在風電機組齒輪箱內的軸承故障診斷方面，克服了傳統方法中的模式混合和末端效應的問題[7-8]，但VMD分解精度受模態數K和懲罰參數α的影響，需要依靠經驗值預先定義K和α。為解決上述問題，在文獻[9]中根據中心頻率相近原則確定K，α使用經驗值，雖然使得VMD分解精度有所提高，但K和α沒有并行優化。文獻[10]中提出在搜索VMD算法的最佳影響參數組合時引入粒子群算法，并將該基于參數優化的變分模態分解方法應用在軸承早期故障診斷，但是來源于粒子群算法自身收斂速度較慢的局限性，導致了其參數尋優效率較低。因此現在上述研究的基礎上引入人工魚群算法(artificial fish swarm algorithm, AFSA)，提出了一種基于人工魚群算法優化變分模態分解(AFSA-VMD)的軸承故障診斷方法。首先，以平均包絡熵為目標函數，利用人工魚群算法對VMD的參數K和α尋優；……