基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法技术

本发明专利技术提供一种基于PSO‑VMD‑MCKD的滚动轴承微弱故障诊断方法，对采集到的振动信号，首先利用PSO算法优化VMD算法，基于VMD对微弱故障信号分解后的结果，选取最优模态分量。其次，根据最优模态分量的包络谱中的突出频率范围，确定PSO对MCKD算法中T的寻优范围；利用PSO优化MCKD算法,再基于MCKD算法加强最优分量信号中的故障冲击成分。最后，包络谱提取轴承微弱故障特征并与理论故障频率进行对比，得到故障诊断结果。本发明专利技术克服了VMD和MCKD算法中参数难以确定问题，采用VMD实现了信号降噪及获取突出故障频率范围，采用MCKD进一步增强故障冲击成分，对于滚动轴承微弱故障诊断更为精准。

Fault diagnosis method of rolling bearing based on PSO-VMD-MCKD

The invention provides a method for weak fault diagnosis of rolling bearings based on PSO_VMD_MCKD. For the collected vibration signals, the VMD algorithm is first optimized by PSO algorithm, and the optimal modal component is selected based on the result of VMD decomposition of weak fault signals. Secondly, according to the prominent frequency range in the envelope spectrum of the optimal modal component, the optimum range of PSO for T in MCKD algorithm is determined; the MCKD algorithm is optimized by PSO, and the fault impulse component in the optimal component signal is enhanced based on MCKD algorithm. Finally, the envelope spectrum extracts the weak fault characteristics of bearing and compares them with the theoretical fault frequency to get the fault diagnosis results. The invention overcomes the problem that the parameters in the VMD and MCCD algorithms are difficult to determine, realizes the signal noise reduction and obtains the frequency range of the outburst fault by using VMD, further enhances the fault impact component by using MCKD, and is more accurate for the weak fault diagnosis of rolling bearings.

【技术实现步骤摘要】
基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法
本专利技术属于旋转类机械故障诊断领域，具体涉及一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法。
技术介绍
滚动轴承故障是影响旋转类机械正常运行的重要因素之一。由于轴承早期故障产生的冲击十分微弱，易被系统噪声干扰，加上滚动轴承的振动传递路径复杂，使得其故障特征的提取非常困难。因此，如何有效地对滚动轴承原始故障信号进行降噪并增强信号中微弱冲击成分，是进行该类部件早期故障诊断的关键。滚动轴承故障信号为非线性、非平稳信号，针对这一类信号，学者们提出了多种处理方法。近年来，小波降噪、EMD分解、EEMD分解、LMD分解常被运用在故障诊断领域中。需要指出的是，尽管上述各方法在滚动轴承故障诊断时取得了一定效果，但仍存在下列问题：(1)小波变换，难以根据实际信号实现小波基及分解层数的自适应选择；(2)EMD、EEMD、LMD等都属于递归模态分解，且缺乏严格的数学理论。针对上述非线性信号处理方法的不足，变分模态分解(VMD)，可有效避免EMD等信号分解产生的模态混叠、端点效应等问题。MCKD通过解卷积运算突出被噪声淹没的连续冲击脉冲，提高原始信号的相关峭度值，非常适用于提取微弱故障信号的连续瞬态冲击。单一使用VMD分解较难得到良好的准断效果，有学者采用MCKD降噪后，再采用VMD分解，成功地诊断出轴承微弱故障，但并未探讨两种算法参数如何确定。VMD算法和MCKD算法需要人为设置一些参数，且参数的取值对算法的影响非常大。
技术实现思路
针对滚动轴承早期产生的冲击十分微弱，易被系统噪声干扰造成轴承微弱故障诊断困难问题，且VMD算法、MCKD算法参数难以确定问题；本专利技术提出一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法。本专利技术提出的技术方法包括以下步骤：步骤一：利用加速度传感器对旋转机械设备进行测量，获取振动加速度信号；步骤二：利用PSO算法优化VMD算法中的α和K，后对采集的振动信号进行VMD分解。步骤三：基于VMD对微弱故障信号分解后的结果，利用包络谱峰值因子最大准则，选取最优模态分量。步骤四：根据最优模态分量的包络谱中的突出频率范围，确定PSO对MCKD算法中T的寻优范围，并基于参数优化结果，MCKD分析进一步增强最优分量中的故障冲击成分。步骤五：通过包络谱提取出滚动轴承故障特征，并与传动系统中的理论轴承故障频率进行对比，从而得出诊断结果。优选的，所述振动信号为传动轴径向振动加速度信号；其中，通过振动加速度传感器获取所述振动加速度信号。优选的，所述VMD算法是一种完全非递归模式的信号分解方法，通过迭代搜索变分模型中的最优解，将一个实际信号分解成K个离散的模态uk，并且确定每个模态分量的中心频率ωk和带宽。所述MCKD算法以信号相关峭度最大化为优化目标，可通过迭代完成振动信号的解卷积运算，突出信号中被强烈噪声所掩盖的连续脉冲，在信噪比较低的信号中，提取出滚动轴承故障特征信号。优选的，所述优化方案均采用PSO算法，对VMD、MCKD中的参数进行全局寻优。优选的，所述PSO算法，为采用惯性权重成凹函数变化的标准PSO算法。具体的速度更新公式及位置更新公式为：式中：o＝1，2，3，…，O；h为迭代次数，H为最大迭代次数；为粒子o第h次迭代中d维的速度；为最大权重，为最小权重；c1和c2为学习因子；η为介于区间[0,1]的随机数；为第h次迭代中粒子o在第d维的个体极值点的位置；为第h次迭代中粒子o在d维的当前位置；为第h次迭代中整个种群在d维的全局极值的位置。优选的，所述标准PSO算法的具体参数设置：学习因子c1＝c2＝2，种群规模O＝30，最大迭代次数H＝20，最大权重最小权重优选的，所述VMD算法中参数的寻优范围；其中，惩罚因子α的寻优范围为[100,2000]，分量个数K的寻优范围为[3,10]。优选的，所述PSO算法优化VMD、MCKD的适应度函数均为包络谱峰值因子，且VMD分解后，计算出分量的包络谱峰值因子大小，从而比较出最优分量；其中，包络谱峰值因子定义：式中：X(z)(z＝1,2,…,Z)为包络谱在[f′r,γf′i]频率范围的幅值，f′r取值大于故障轴承所在轴的转频；f′i为传系统最大轴承故障频率，γ取4～8。优选的，所述最优分量进行包络谱分析后，根据频谱图中的突出频率范围确定后续MCKD参数T的寻优范围。优选的，所述MCKD参数T的寻优范围，由公式T＝fs/fi确定，其中，fs为采样频率，fi为故障频率，未知故障频率即用所述突出频率代替；所述MCKD算法中滤波器长度参数L的寻优范围为[100,1000]。优选的，所述故障频率具体包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率。优选的，所述MCKD分析后的最优分量的包络谱和所述故障频率进行对比得到所述滚动轴承的故障诊断结果，具体为：利用所述信号得到包络频谱图；判断所述频谱图中的频率范围是否包含所述外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率以及各自的整数倍频率；如果是，则输出故障提示信息；如果否，则输出正常提示信息；其中，所述故障诊断结果包括所述故障提示信息和所述正常提示信息。与现有技术相比，本专利技术的优点与积极效果在于：(1)充分发挥VMD在降噪方面的优越性及MCKD能突出被噪声所掩盖的连续脉冲的优点，改善传统方法在微弱故障信号特征提取上的困难；克服单一使用MCKD或者单一使用VMD方法难以实现微弱故障诊断的缺点(2)引入智能优化算法——PSO算法实现了VMD、MCKD参数的自适应选择，避免人为选择参数导致的错误诊断结果，PSO算法比试验法和网格寻优法具有跟高的效率。(3)VMD算法分解后的最优分量，基于该分量的包络谱的突出频率范围能够确定MCKD算法中参数T的寻优范围，缩小了参数T的寻优范围。(4)在PSO算法中，限定适应度函数求解范围，避免了随机突触频率对两种寻优算法的影响。附图说明图1为本专利技术的诊断方法流程图。图2为故障滚动轴承实验信号时域波形。图3为故障滚动轴承实验信号的包络谱。图4为本专利技术中的PSO算法优化VMD、MCKD的流程图。图5为PSO算法对VMD寻优，适应度函数随迭代次数变化曲线图。图6为VMD分解后各分量的包络谱峰值因子幅值图。图7为最优分量的包络谱。图8为PSO算法对MCKD寻优，适应度函数随迭代次数变化曲线图。图9为MCKD算法分析后的时域波形。图10为MCKD算法分析后的包络谱。具体实施方式为让本专利技术的上述特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下。为使本专利技术实施的目的、技术方案和优点更加清楚，下面将结合本专利技术实例中的附图，对本专利技术实施例中的技术方案进行更加详细的描述。以美国SpectraQuest公司开发的风力发电模拟系统(WindTurbineSimulator,WTS)进行滚动轴承内圈故障实验为例，其中采样频率fs为12800Hz,采样点数为8192点。本专利技术的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法具体流程如图1所示，具体包括以下步骤。步骤一：利用加速度传感器对上述旋转机械设备进行测量，获得振动加速度信号。进一步地，为模拟实际工况下的环境噪声及更加贴近早期故障滚动轴承产生的振动本文档来自技高网...

【技术保护点】
1.一种基于PSO‑VMD‑MCKD的滚动轴承微弱故障诊断方法，其特征在于：包括以下步骤：步骤一：利用一加速度传感器对旋转机械设备进行测量，获取振动加速度信号；步骤二：利用PSO算法优化VMD算法中的α和K，后对采集的振动信号进行VMD分解；步骤三：基于VMD对微弱故障信号分解后的结果，利用包络谱峰值因子最大准则，选取最优模态分量；步骤四：根据最优模态分量的包络谱中的突出频率范围，确定PSO对MCKD算法中T的寻优范围，并基于参数优化结果，MCKD分析进一步增强最优分量中的故障冲击成分。步骤五：通过包络谱提取出滚动轴承故障特征，并与传动系统中的理论轴承故障频率进行对比，从而得出诊断结果。

【技术特征摘要】
1.一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：包括以下步骤：步骤一：利用一加速度传感器对旋转机械设备进行测量，获取振动加速度信号；步骤二：利用PSO算法优化VMD算法中的α和K，后对采集的振动信号进行VMD分解；步骤三：基于VMD对微弱故障信号分解后的结果，利用包络谱峰值因子最大准则，选取最优模态分量；步骤四：根据最优模态分量的包络谱中的突出频率范围，确定PSO对MCKD算法中T的寻优范围，并基于参数优化结果，MCKD分析进一步增强最优分量中的故障冲击成分。步骤五：通过包络谱提取出滚动轴承故障特征，并与传动系统中的理论轴承故障频率进行对比，从而得出诊断结果。2.根据权利要求1所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述振动信号为传动轴径向振动加速度信号。3.根据权利要求1所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述VMD算法是通过迭代搜索变分模型中的最优解，将一个实际信号分解成K个离散的模态uk，并且确定每个模态分量的中心频率ωk和带宽；所述MCKD算法以信号相关峭度最大化为优化目标，通过迭代完成振动信号的解卷积运算，突出信号中被强烈噪声所掩盖的连续脉冲，在信噪比较低的信号中，提取出滚动轴承的代表振动特性的特征信号。4.根据权利要求1所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于，所述优化方案均采用PSO算法，对VMD、MCKD中的参数进行全局寻优；所述PSO算法为采用惯性权重成凹函数变化的标准PSO算法；具体的速度更新公式及位置更新公式为：式中：o＝1，2，3，…，O；O为种群规模；h为迭代次数，H为最大迭代次数；为粒子o第h次迭代中d维的速度；为最大权重，为最小权重；c1和c2为学习因子；η为介于区间[0,1]的随机数；为第h次迭代中粒子o在第d维的个体极值点的位置；为第h次迭代中粒子o在d维的当前位置；为第h次迭代中整个种群在d维的全局极值的位置。5.根据权利要求4所述的基于PSO-VMD-MCKD的滚动轴承微弱...

【专利技术属性】
技术研发人员：张俊，张建群，钟敏，李习科，许涛，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35