Professional Documents
Culture Documents
基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取
基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取
3
2023 年 6 月 NOISE AND VIBRATION CONTROL Jun.2023
1006-1355(2023)03-0102-08
文章编号:
滚动轴承在工业旋转机械中应用广泛,
作为旋
2022-01-19
收稿日期: 转机械的重要零部件,
其健康状况直接影响整个机
基金项目:
安徽省重点研发计划资助项目(202004h07020005)
械设备运行的精度和可靠性[1]。在实际运行过程中,
作者简介:刘迎松(1998-), 男,合肥市人, 硕士研究生,
专业
滚动轴承发生局部故障时产生的冲击特征非常微
方向为轴承状态监测和故障诊断。
E-mail: 1220136550@qq.com 弱,
在强背景噪声和复杂传输路径的干扰下很难提
通信作者:魏志刚, 男, 硕士生导师, 专业方向为机械设备的 取出故障特征。因此,
如何对故障信号进行有效去
故障诊断及健康监测。 噪和增强周期性冲击特征,
成为了滚动轴承微弱故
第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 103
模态混叠、
端点效应等问题,
不能有效处理强噪声干 ï { u }, { ω } ï k = 1 ë πt û 2þ
í
k k
î (1)
ï s.t.∑u k = x ( t )
Dragomiretskiy 等[3] 提出一
扰下的故障信号。为此, ï K
种完全非递归自适应分解方法即变分模态分解 î k=1
(VMD)。而 VMD 对不确定的信号进行分解,需要 为 求 解 式(1)的 最 优 解 ,引 入 惩 罚 因 子 α 和
预先设置模态分解个数 K 惩罚因子 α ,
不同参数值的 Lagrange 乘法算子 λ ,
把约束变分问题转化为无约束
设置直接影响 VMD 分解效果。对此,
李永琪等 利 [4]
变分问题,
得到增广的拉格朗日函数,
利用交替方向
用平均样本熵和加权合成峭度构建综合指标分别对 乘子法对其进行求解,
然后通过傅里叶等距变换求
VMD 参数 K 和 α 进行选取;
李华等[5]通过搜索 VMD 解 u nk + 1 和 ω nk + 1 ,
具体表达式为:
λ̂ ( ω )
x̂ ( ω ) - ∑û i ( ω ) + (
分解分量信息熵最小值确定 VMD 参数。需要指出
)
的是上述方法虽然利用不同指标对 VMD 分解参数 ̂u nk + 1 ( ω ) = i≠k 2
(2)
K 和 α 先后进行选取,
获得较好的分解降噪效果,
但 1 + 2α ( ω - ω k )2
∫ ω | u ( ω ) | dω
∞ 2
没有考虑 K 和 α 的交互作用,
存在无法选取最优参 k
n+1
= 0
∫ | u ( ω ) | dω
数组合的问题。 ω k (3)
∞ 2
k
为 了 消 除 噪 声 和 传 输 路 径 的 干 扰 ,Mcdonald 0
等[6]提出了最大相关峭度解卷积(MCKD),
该算法可 式中 :û nk + 1 ( ω ) 、x̂ ( ω ) 、û i ( ω ) 、λ̂ ( ω ) 分别为 u nk + 1 ( t ) 、
以从故障信号中解卷积出周期性脉冲成分,
增强信 x ( t )、
u i ( t )、
λ ( t ) 对应的傅里叶变换。
号的冲击特征, 有效提取出微弱故障特征信息。然 VMD 的详细推导见文献[3]。
MCKD 降噪效果直接受滤波器长度 L 、
而, 解卷积周 1.2 最大相关峭度解卷积(MCKD)
)
期 T 和移位数 M 影响,
参数设置不合理会严重影响
MCKD 算法为增强原始信号中微弱的周期性脉
故障诊断的结果。为此,
文献[7-8]分别采用粒子
冲,
利用相关峭度最大化作为目标函数,
通过迭代的
群算法和量子遗传算法自适应选择 MCKD 参数 L 和
方式来搜寻最佳滤波器 f = [ f 1 , f 2 , ..., f L ] ,
使得滤波后
T,
但忽略了移位数 M 对卷积后信号冲击数量影响。
输出信号 y 相关峭度最大。
文献[9]采用布谷鸟算法对参数 L 和 M 进行寻优,但
MCKD 算法的目标函数为:
是未考虑周期 T 会随轴承元件的滑动改变, 从而影
∑( ∏y n - mT )2
N M
响分解结果的准确性。
max CK M ( T ) = max n=1 m=0
(4)
( ∑y )
麻雀搜索算法(SSA)是 Xue 等[10]在 2020 年提出 f f N
2 M+1
n
的一种新群体智能优化算法,
在收敛速度、
稳定性和 n=1
全局搜索能力方面优于上述优化算法。基于上述分 y n 为周期冲击信号,
式中: T 为冲击信号的周期,
M为
本文将 VMD 与 MCKD 进行结合,
析, 以最小包络谱 滤波器移位数。
熵为适应度函数 ,采用 SSA 优化 VMD 参数对故障 为了得到最优滤波器, 对上述优化方程求导:
根据 WKI 指标筛选有效分量。 d
信号进行分解降噪, CK M ( T ) = 0 ( l = 1, 2, ⋯, L ) (5)
利用 SSA 优化 MCKD 参数[L、T、M],
对有效分量进 df l
行解卷积增强,
实现轴承故障特征信息的有效提取, L 为滤波器的长度。将变量 l 分别代入式(5),
式中:
通过实验和工程实测信号对本文方法进行验证。 并表示为矩阵形式, 滤波器系数最终可以表示为:
∥y∥2
∑
M
f = ( X 0 X 0 )
T -1
( X mT α m ) (6)
2∥β∥2 m=0
104 噪 声 与 振 动 控 制 第 43 卷
( )
ïï
(5)更新滤波器系数 f ; X i,t j+ 1 = í t | X i,t j - X worst
t
| ⋅ A+ L f ≤ f (10)
后信号 ΔCK M ( T ) < ε ,
如果滤波前、 则停止迭代, ïï X i, j + K
( fi - fg ) + ε
i g
î
否则跳回步骤(3)。
式中: X best 是当前迭代次数下全局最佳位置, λ 是步
1.3 基于 SSA 的 VMD、
MCKD 参数优化
、 K 为处于 [ -1, 1 ] 的随机数,
长控制参数, f i 和 f g 分别
SSA 作为一种新型群智能优化算法,
以其调整 是当前个体适应度值和全局最优适应度值。
参数少、
实现简单、
计算速度快而得到广泛应用。根 Step4 在迭代过程中对比更新前后种群中麻雀
据文献[11]中将 SSA 与其他优化算法进行综合比较 个体的适应度值的大小,
更新最优个体和对应的最
SSA 算法在搜索全局最优解、
的实验结果表明, 收敛 优位置 X best。
速度和鲁棒性方面有明显的优越性。因此,
本文采 Step5 重复进行 Step3~Step4,
直到满足最大迭
用麻雀搜索算法对 VMD、
MCKD 算法中的参数进行 代次数, 否则转至 Step3。
输出最优位置,
自适应选取,
以包络熵作为适应度函数,
其值大小可 采 用 SSA 优 化 VMD、MCKD 具 体 步 骤 如 图 1
以反映振动信号的稀疏特性,
故障特征信息越多,
波 所示。
形的脉冲越规律,
包络熵值越小。因此,
选定包络熵
1.4 加权峭度指标
局部极小值作为 SSA 优化结果的判断依据 ,实现
采用 SSA-VMD 算法将原始信号分解为一系列
VMD、
MCKD 参数组合寻优,包络熵 E p 表达式如下:
IMF 分量,
这些分量中包含较多的故障特征信息,
但
íE p = -∑p i lgp i
ì N
(7) 同时也包含噪声信息。为了筛选出有效模态分量,
î i=1
通常采用峭度、
相关系数等统计量进行选择,峭度指
p i 为包络信号的概率分布序列。
式中:
标对冲击信号敏感,
是一个很好检测周期性冲击的
采 用 SSA 优 化 VMD、MCKD 参 数 具 体 过 程
指标,
但是其中分布分散和振幅大的分量容易被忽
如下:
略,
而相关系数可以反映分量与原始信号的相关性,
Step1 初始化 SSA 的各项参数,
根据文献[12]并
但其受噪声影响较大 ;
因此 ,为了克服两者的局限
结合多次实验结果,
设定麻雀搜索算法中参数如下:
性 ,引 入 加 权 峭 度 指 标(Weighted kurtosis index,
麻雀数量 n = 20 ,
最大迭代次数 M = 30 ,安全值 ST =
WKI)将这个两个指标结合,
计算公式如下[13] :
0.6 ,
发现者比例 PD = 0.7 ,
警戒者比例 SD = 0.2。
WKI ( i ) = Ku ( i )∙C ( i ) (11)
Step2 计算每只麻雀在当前位置对应的适应度
Ku ( i ) 为各 IMF 分量峭度值,
式中: C ( i ) 为各 IMF 分
值,
并对其进行排序,
找到当前具有最优适应度值的
量与原始信号的相关系数。
第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 105
进行对比,
诊断故障类型。
3 实验信号分析
采用美国西储大学的滚动轴承数据集对所提方
法进行验证。实验测试轴承型号为 6205-2RS JEM
SKF,
采用电火花加工技术对实验轴承进行点蚀来
布 置 单 点 故 障 ,故 障 直 径 为 0.177 8 mm,深 度 为
0.279 4 mm。本节中分析驱动端外圈和内圈故障,
分别在采集的外圈和内圈数据中添加-8 dB 和-6 dB
的高斯白噪声,
来模拟实际工况条件下轴承被强背
景噪声淹没的微弱故障信号。实验中主轴转速为
1 750 r/min(转频 f r = 29.17 Hz),
负载为 2 hp,
采样频
率 f s 为 12 000 Hz,
采样长度选取 4 096 个点。根据理
论 计 算 公 式 计 算 得 到 轴 承 外 圈 故 障 频 率 fo =
104.55 Hz ,
内圈故障频率 f i = 157.94 Hz。
如图 2 至图 3 所示为外圈和内圈故障信号的时
域波形及包络谱。
图 1 采用 SSA 优化 VMD、
MCKD 参数流程图
2 故障诊断流程
本文提出基于 SSA-VMD-MCKD 实现 VMD 和
MCKD 最佳参数组合的自适应选取方法,
最大限度
的发挥了在强背景噪声干扰下的提取滚动轴承微弱
故障的优势。
具体步骤如下:
(1)采用 SSA 算法对 VMD 参数 K、α 进行寻
优 ,SSA 参数设置同第 1.3 小节 Step1,VMD 参数寻
优 区 间 参 考 文 献 [14] 并 结 合 多 次 实 验 确 定 ,设 定
VMD 分 解 模 态 个 数 K ∈ [ 3, 10 ] ,惩 罚 因 子
α ∈ [ 500, 2 000 ]。执行 SSA 算法寻优,
以经 VMD 分
图 2 外圈故障信号时域波形及包络谱
解后模态分量的包络谱熵为适应度搜索最优参
数 K 0、α 0。
(2)根据寻优结果 ,对原始信号进行 VMD 分
得到 K 0 个 IMF 分量,
解, 计算各个 IMF 分量的 WKI
选取最大 WKI 值对应的分量进行下一步分析。
值,
令 f 为包
(3)对选定的分量进行包络解调分析,
络谱中接近故障特征频率的突出成分频率。设定
设置滤波器长度 L ∈ [ 500, 1 000 ] ,
MCKD 寻优区间,
解 卷 积 周 期 T ∈ [ f s ∕ f - 10, f s ∕ f + 10 ][13] ,移 位 数
M ∈ [ 1, 7 ] 。 对 选 定 IMF 分 量 执 行 SSA 搜 索 ,以 经
MCKD 处理后信号的包络熵为适应度函数搜寻最优
参数 L、T、M。
(4)基 于 寻 优 的 最 佳 参 数 对 选 定 分 量 进 行
MCKD 处理 ,对处理后的信号进行包络解调分析。
图 3 内圈故障信号时域波形及包络谱
提取包络谱中幅值突出的频率与轴承故障特征频率
由于强背景噪声的影响时域波形中周期性冲击
106 噪 声 与 振 动 控 制 第 43 卷
特征被完全淹没;
包络谱中外圈故障特征频率成分 设定 MCKD 参数[L,
T,M]寻优区间,
对选定分
不突出,
无法进行有效诊断,
需要对故障信号进行进 量基于经 SSA 优化的 MCKD 进行增强,
优化迭代曲
一步的分析。 线如图 7 所示,
得到 MCKD 最佳参数组合[901,
112,
3.1 外圈故障分析 7]。
利用本文所提的方法对外圈故障信号进行分
析 ,首 先 采 用 SSA 算 法 对 VMD 参 数 [ K, α ] 进 行
寻优 ,进化曲线如图 4 所示 ,得到 VMD 最佳参数
[6,654]。
图 8 外圈故障信号处理结果
3.2 内圈故障分析
利用本文所提的方法对内圈故障信号进行分
图 5 基于 VMD 分解外圈故障信号结果
析 ,首先采用 SSA 算法对 VMD 参数 [ K, α ] 进行寻
表 1 经 VMD 分解所得各分量 WKI 值
得到 VMD 最佳参数组合为[8,1395]。设定参数
优,
分量 IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 对内圈故障信号进行 VMD 分解 ,得到各模态分量
WKI 1.165 1.332 1.916 1.282 1.207 1.218 WKI 值如表 2 所示,
选取指标最大的 IMF5 分量进行
分析。分量 IMF5 包络谱如图 9 所示,
从图中可以看
出突出成分对应频率为 158.2 Hz,
计算出 MCKD 周
期 T ∈ [ 65, 86 ]。
表 2 基于 VMD 分解各分量 WKI 值
图 12 CEEMDAN-SSA-MCKD 包络谱
4 实际工程案列分析
以某钢厂混合机(规格 Φ5.1 × 24.5 m)托轮轴承
(轴承型号为 23272CA/W33)为例,
进一步验证本文
图 11 3 种优化算法的寻优对比曲线 所提方法的有效性。根据文献[15]可知托轮轴承分
解更换时滚动体上出现点蚀故障。为此,
对先前采
108 噪 声 与 振 动 控 制 第 43 卷
图 14 实测故障信号
图 15 分量 IMF 包络谱
中滚动体故障频率的 1、
2、3 倍频。通过上述分析可 可以得出经过 SSA 优化的 MCKD 能够有
由此,
以判断出混合机托轮轴承滚动体发生故障。 效增强冲击特征和提取故障特征信息,
同时验证了
对比验证:
采用两种典型的解卷积算法即优化 优化 VMD 与 MCKD 结合识别微弱故障特征的有
最 小 熵 解 卷 积 修 正(Optimal Minimum Entropy 效性。
Deconvolution Adjusted,OMEDA)和多点优化最优
第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 109
(上接第 94 页)
[10] 刘倩,
李正飞, 等 . 多联机系统故障类型识别及
丁新磊, [14] 石明宽,
赵荣珍 . 基于局部边缘判别投影的机械故障诊
2021,
故障细化诊断模型研究[J]. 制冷学报, 42(2):
118- 断方法[J]. 振动、 2021,
测试与诊断, 41(1):
126-132+204.
126+136. [15] 方喜峰,
于超, 等 . 基于支持向量机的船用柴油机
章振,
[11] 黄大荣,
陈长沙, 等 . 复杂装备轴承多重故障的
孙国玺, 装配质量预测[J]. 组合机床与自动化加工技术 ,2021
线性判别分析与反向传播神经网络协作诊断方法[J]. (9):
62-66.
2017,
兵工学报, 38(8):
1649-1657. [16] 赵明利,
袁一鸣, 等 . 基于特征选择和模糊支持
宋士杰,
[12] 梁礼明, 吴健 . 正交局部保持投影早期故障特征
吴武林, 2020
向量机的刀具磨损状态识别[J]. 制造技术与机床,
2016,
提取方法[J]. 机械设计与研究, 32(2):
143-146. (11):
115-120.
[13] 庞海,
向秋洁 . 基于独立特征选择和局部保持投影的故 [17] 杨晓俊,
朱兴龙 . 基于局部平衡判别投影的往复压缩机
2020,
障诊断[J]. 机械设计与研究, 36(3):
35-39. 故障诊断方法[J]. 机械设计与研究 ,2022,38(1):215-
218+224