CN112200015A - 一种基于改进vmd的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于改进VMD的滚动轴承故障诊断方法，属于旋转类机械故障诊断技术领域。本发明采集滚动轴承在不同工作状态下的多组原始数据；通过散布熵最小值原则对VMD参数进行优化，利用参数优化后的VMD对振动信号进行分解，得到多个模态分量；综合皮尔逊相关系数、肯德尔相关系数和峭度值得到集成指标，选取集成指标最大的模态分量，对其包络解调分析，通过包络谱提取出滚动轴承故障特征，并与理论轴承故障频率进行对比，判断轴承故障类型。本发明解决了VMD参数需人为预先设定的问题，使结果更具理论依据，可靠性更高；集成指标在选取模态分量时，可以全面评估模态分量信息，选取合适分量，提高结果的准确性和有效性。

Description

一种基于改进VMD的滚动轴承故障诊断方法

技术领域

本发明涉及一种基于改进VMD的滚动轴承故障诊断方法，属于旋转类机械故障诊断技术领域。

背景技术

滚动轴承是旋转机械中最重要的部件之一，其运行状态是否正常往往直接影响到整个机械系统的性能，如果发生故障可能会导致巨大的经济损失。因此，为保证旋转机械设备正常运行，有效提取滚动轴承故障特征以评估轴承运行状态至关重要。

近年来，基于振动信号自适应分解的故障特征提取方法得到了广泛的应用。经验模态分解(empirical mode decomposition,EMD)分解是一种典型的自适应时频分解方法，已被广泛应用于滚动轴承故障诊断及性能退化评估领域。但EMD存在模态混叠和端点效应的问题。为改进其缺陷，提高分解性能，集成经验模态分解(ensemble empirical modedecomposition,EEMD)、完备集成经验模态分解(complete ensemble empirical modedecomposition with adaptive noise,CEEMDAN)等方法相继被提出。但是，由于递归分解原理的局限性，上述方法只能在某种程度上改善模态混叠和最终分解效果，而不能从根本上解决上述问题。VMD与上述方法的递归模式不同，其引入变分模型，将信号的分解转换为约束模型最优解的寻优问题，从而避免端点效应、抑制模态混叠，并且具有较高的分解效率。但是，VMD的参数惩罚因子和模态数需人为预先设定，且分解结果对参数敏感性高，极大地限制了VMD的分解精度。

此外，筛选有效分量对后续轴承的故障特征提取至关重要，峭度、相关系数等指标被广泛应用于该步骤。但是，单一指标难以全面评估分量信息，可能导致选择的分量无法有效表征轴承故障信息。

发明内容

本发明要解决的技术问题是提供一种基于改进VMD的滚动轴承故障诊断方法，用以解决上述问题。

本发明的技术方案是：一种基于改进VMD的滚动轴承故障诊断方法，具体步骤为：

Step1：采集滚动轴承在不同工作状态下的原始数据。

Step2：通过散布熵最小值原则优化VMD中的参数模态数K和惩罚因子α，并对采集的振动信号进行VMD分解。

Step3：用综合皮尔逊相关系数(Pearson correlation coefficient,PCC)、肯德尔相关系数(Kendall correlation coefficient,KEN)和峭度值(kurtosis,KUR)作为模态分量选择集成指标，选择集成指标最大的模态分量用于后续分析。

Step4：对选取的模态分量进行包络解调分析，通过其包络谱提取出滚动轴承故障频率，并与理论轴承故障频率进行对比，判断轴承故障类型。

所述滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据及滚动体故障数据。

所述Step 2具体为：

Step2.1：优化模态数K。

初始化VMD参数，对原始振动信号进行VMD分解，计算分解得到的模态分量的散布熵值，设定K的搜索范围为K∈[2,15]，搜索步长为1，更新K值对振动信号循环进行VMD分解，根据散布熵最小原则，当模态分量的散布熵最小时，对应的K值为最优值，确定模态数K。模态数K＝2，惩罚因子α＝2000。

Step2.2：优化惩罚因子α。

利用散布熵最小值原则对α进行优化，设定α的搜索范围为α∈[200,2000]，搜索步长为50，带入步骤1计算所得的K值，更新α值对振动信号循环进行VMD分解，确定惩罚因子α。

所述散布熵的参数设置为：嵌入维数m＝2，种类数c＝3，时延d＝1。

所述Step 3具体为：

Step3.1：分别计算皮尔逊相关系数(PCC)、肯德尔相关系数(KEN)和峭度值(KUR)：

皮尔逊相关系数(PCC)：

式中，x为待测的模态分量，y为原始信号，N为信号长度。

肯德尔相关系数(KEN)：

式中，C为信号x、y中拥有相同元素的数量，D为信号x、y中拥有不相同元素的数量。

式中，s₁为待测模态分量x中含有的小集合数，U_i为第i个小集合包含的元素数，s₂为原始信号y中含有的小集合数，V_i为第i个小集合包含的元素数。

峭度值(KUR)：

Step3.2：对上述指标进行归一化处理：

Step3.3：综合上述归一化后的指标，得到集成指标：

I(k)＝β_K(k)*β_PCC(k)*β_KEN(k)。

所述Step 4具体为：

Step 4.1：绘制所述模态分量的包络频谱图。

Step 4.2：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、滚动体故障频率及其整数倍频率。

如果是则输出故障提示信息。

如果否，则输出正常提示信息。

所述故障诊断结果包括故障提示信息和正常提示信息。

所述故障频率具体包括外圈故障频率、内圈故障频率和滚动体故障频率。

本发明的有益效果是：

1、充分发挥VMD在降噪方面的优越性，改善传统方法在微弱故障信号特征提取上的缺陷。

2、利用散布熵最小值原则实现了VMD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，相比试验法和网格寻优法具有更高的效率。

3、通过集成指标选择VMD分解后的模态分量可以更全面的评估分量信息，可以准确提取出含故障信息较多的分量完成信号重构，提高后续故障诊断的准确性。

附图说明

图1是本发明流程框图；

图2是本发明散布熵最小原则优化VMD参数流程框图；

图3是本发明滚动轴承实验装置示意图；

图4是本发明故障滚动轴承实验信号时域波形图；

图5是本发明模态数K与散布熵值的关系曲线图；

图6是本发明惩罚因子α与散布熵值的关系曲线图；

图7是本发明VMD分解结果图；

图8是本发明选取有效模态分量的包络谱图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

使用美国辛辛那提大学智能维护系统(IMS)的滚动轴承全寿命周期数据进行实验。图3为轴承实验平台，该平台由1个主轴、4个实验轴承、一个交流电动机和摩擦带组成。4个Rexnord ZA-2115双列轴承安装在主轴上，交流电动机通过摩擦带连接到主轴，将转速保持在2000r/min，每个轴承有16个滚动体。PCB 352B33高灵敏度石英ICP加速度计安装在每个轴承座上记录振动信号。数据集采样频率为20kHz，数据采集间隔时间为10min，数据长度为20480点。

一种基于改进VMD的滚动轴承故障诊断方法，如图1-图2所示，具体包括以下步骤：

Step1：获取发生外圈故障的滚动轴承振动信号，图4为轴承时域波形图，图中故障轴承冲击成分被噪声掩盖，无法观测出故障频率成份。

Step2：对VMD参数进行寻优，确定最优参数，其求解步骤如下：

Step2.1：初始化VMD：模态数K＝2，惩罚因子α＝2000，对原始振动信号进行VMD分解，计算分解得到的模态分量的散布熵值。设定K的搜索范围为K∈[2,15]，搜索步长为1，更新K值对振动信号循环进行VMD分解，根据散布熵最小原则，当模态分量的散布熵最小时，对应的K值为最优值，确定模态数K。图5为模态数K与散布熵的关系，由此可知，当K＝8时，取得最小的散布熵值，因此确定模态数K＝8。

Step2.2：取K＝8，同样利用散布熵最小值原则对α进行优化。设定α的搜索范围为α∈[200,2000]，搜索步长为50，确定惩罚因子α。图6为惩罚因子α与散布熵的关系，由此可知，当α＝1950时，取得最小的散布熵值，由此可得到最优参数[8,1950]。

Step3：对原始振动信号进行基于上述优化[K,α]的VMD分解，得到8个模态分量如图7所示。

Step4：计算各模态分量的集成指标值，表1为各模态分量对应的集成指标值，可知第五个模态分量集成指标值最小，故选择第五个模态分量进行后续分析。

表1：各模态分量的集成指标值

Step5：对Step 4中选取的第五个模态分量进行包络解调分析，包络谱如图8所示，从图8中可以清晰的观测出故障频率236.3Hz及其倍频。根据该故障轴承所在轴的转频，可知外圈故障频率为236.4Hz，从而判断出滚动轴承发生外圈故障。

综上，本发明能够成功提取被噪声覆盖的轴承微弱故障特征。散布熵最小值原则可以有效实现VMD参数的选择，为实验过程提供可靠的理论依据，提高结果准确性、有效性

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种基于改进VMD的滚动轴承故障诊断方法，其特征在于：

Step1：采集滚动轴承在不同工作状态下的原始数据；

Step2：通过散布熵最小值原则优化VMD中的参数模态数K和惩罚因子α，并对采集的振动信号进行VMD分解；

Step3：用综合皮尔逊相关系数、肯德尔相关系数和峭度值作为模态分量选择集成指标，选择集成指标最大的模态分量用于后续分析；

Step4：对选取的模态分量进行包络解调分析，通过其包络谱提取出滚动轴承故障频率，并与理论轴承故障频率进行对比，判断轴承故障类型。

2.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法，其特征在于：所述滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据及滚动体故障数据。

3.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法，其特征在于所述Step2具体为：

Step2.1：优化模态数K；

初始化VMD参数，对原始振动信号进行VMD分解，计算分解得到的模态分量的散布熵值，设定K的搜索范围为K∈[2,15]，搜索步长为1，更新K值对振动信号循环进行VMD分解，根据散布熵最小原则，当模态分量的散布熵最小时，对应的K值为最优值，确定模态数K；

Step2.2：优化惩罚因子α；

利用散布熵最小值原则对α进行优化，设定α的搜索范围为α∈[200,2000]，搜索步长为50，带入步骤1计算所得的K值，更新α值对振动信号循环进行VMD分解，确定惩罚因子α。

4.根据权利要求3所述的基于改进VMD的滚动轴承故障诊断方法，其特征在于所述散布熵的参数设置为：嵌入维数m＝2，种类数c＝3，时延d＝1。

5.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法，其特征在于所述Step3具体为：

Step3.1：分别计算皮尔逊相关系数、肯德尔相关系数和峭度值：

皮尔逊相关系数：

式中，x为待测的模态分量，y为原始信号，N为信号长度；

肯德尔相关系数：

式中，C为信号x、y中拥有相同元素的数量，D为信号x、y中拥有不相同元素的数量；

式中，s₁为待测模态分量x中含有的小集合数，U_i为第i个小集合包含的元素数，s₂为原始信号y中含有的小集合数，V_i为第i个小集合包含的元素数；

峭度值：

Step3.2：对上述指标进行归一化处理：

Step3.3：综合上述归一化后的指标，得到集成指标：

I(k)＝β_K(k)*β_PCC(k)*β_KEN(k)。

6.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法，其特征在于所述Step4具体为：

Step 4.1：绘制所述模态分量的包络频谱图；

Step 4.2：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、滚动体故障频率及其整数倍频率；

如果是则输出故障提示信息；

如果否，则输出正常提示信息；

所述故障诊断结果包括故障提示信息和正常提示信息；

所述故障频率具体包括外圈故障频率、内圈故障频率和滚动体故障频率。

Images