论文部分内容阅读
在工业生产中,滚动轴承作为一种常用的零件,在交变载荷的作用下,极易发生故障。因此,对滚动轴承故障诊断进行研究具有重大工程意义。由于滚动轴承在故障发生初期,故障特征较为微弱并且伴随有较大的噪声,使得故障信息淹没在噪声中难以提取。因此,使用有效的方法准确地提取滚动轴承早期微弱故障特征是现阶段的技术难点。本文以变分模态分解(Variational Mode Decomposition,VMD)算法为基础,不断地改进与完善该算法,并且对上述难点进行深入研究,提出一种新型可靠的滚动轴承早期微弱故障特征提取方法。主要研究内容如下:VMD算法分解信号时,该算法中本征模态函数分解个数k值和惩罚因子α值需要预先设定。通常使用试凑法、单目标优化法来确定分解层数k以及惩罚因子α,但是采用上述方法得不到最佳的参数组合,以至于VMD算法不具有自适应性。因此,本文提出了利用多目标粒子群优化算法(Multi-objective Particle Swarm Optimization,MOPSO)对VMD参数进行优化。其步骤是:首先,选用符号动力学熵(Symbolic Dynamic Entropy,SDE)和功率谱熵(Power Spectral Entropy,PSE)作为MOPSO算法的适应度函数;其次,利用MOPSO算法进行迭代优化,得到帕累托(Pareto)最优前沿解集;最后,经过归一化处理得到VMD参数最优组合[k,α]。由于在研究VMD算法时发现,噪声对该算法具有一定的影响。在强噪声环境下,使用VMD方法提取滚动轴承故障特征时效果不理想;此时,需要将含有强噪声的信号进行降噪预处理,然后将降噪后的信号用VMD方法进行故障特征提取。基于上述观点,本文引入稀疏脉冲反褶积(Sparse-spike Deconvolution,SSD)算法,在该算法中使用L1范数正则化方法来稀疏约束信号脉冲序列,从而使其结果具有稀疏性;然而,在该算法中L1范数正则化参数不具有自适应性,使得该算法处理信号结果不理想。所以本文提出了采用量子行为粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法自适应地确定最优的L1范数正则化参数。使得疏脉冲反褶积算法具有自适应性,即自适应稀疏脉冲反褶积(Adaptive Sparse-spike Deconvolution,ASSD)算法,并且将该算法应用于滚动轴承早期微弱故障信号降噪处理中。基于对SSD算法与VMD算法的不断改进与完善,提出了基于ASSD和VMD的新型滚动轴承早期微弱故障诊断方法。同时,本文利用有效的仿真信号以及实验信号进行了分析,验证了本文所提方法的有效性。