[发明专利]基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法

说明书

本发明提供一种基于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。

技术领域

本发明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。

背景技术

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。

发明内容

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；本发明提出一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法。

本发明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u_k，并且确定每个模态分量的中心频率ω_k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。