參數(shù)優(yōu)化VMD與OMPE結(jié)合的滾動(dòng)軸承故障診斷研究

楊云,張昊宇,薛元賀,2,丁磊

(1. 華東交通大學(xué) 電氣與自動(dòng)化工程學(xué)院,南昌 330033;2. 中國(guó)鐵路南昌局集團(tuán)有限公司,南昌 330033)

滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械的重要組成部分會(huì)產(chǎn)生很多故障,軸承在工作條件下若內(nèi)圈、外圈或滾動(dòng)體發(fā)生局部故障,在其工作時(shí)會(huì)造成安全隱患,因此精確的判斷出軸承的運(yùn)行狀態(tài),采取對(duì)應(yīng)的措施處理,對(duì)于設(shè)備和人身安全至關(guān)重要[1]。

軸承的振動(dòng)信號(hào)多為非線性、非平穩(wěn)信號(hào),經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical mode decomposition,EMD)作為早期自適應(yīng)分解算法與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法引起了人們的研究興趣。王金東等[2]通過(guò)EMD分解壓縮機(jī)軸承的振動(dòng)信號(hào)最后結(jié)合SVM,可以較準(zhǔn)確實(shí)現(xiàn)故障診斷。由于EMD算法本身的缺陷,人們開(kāi)始對(duì)其改善,孫國(guó)棟等[3]采用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMD)和運(yùn)用Wigner-Ville分布結(jié)合的方法,進(jìn)行故障識(shí)別,最終的結(jié)果識(shí)別率很高。2005年由經(jīng)驗(yàn)?zāi)B(tài)分解理論更新出了一種新的自適應(yīng)分解算法局部均值分解算法(Local mean decomposition,LMD),任學(xué)平等[4]提出LMD與最大相關(guān)峭度反褶積算法結(jié)合的故障診斷方法,并通過(guò)仿真和實(shí)驗(yàn)證明了該方法的有效性。人們?cè)贓MD和LMD的研究過(guò)程中,由于兩者算法本身的局限性,無(wú)法解決端點(diǎn)效應(yīng)和和模態(tài)混疊現(xiàn)象。文獻(xiàn)[5]在2014年提出了一種新型的處理方法變分模態(tài)分解(Variational modal decomposition,VMD)方法,與EMD和LMD方法的遞歸模式不同,VMD方法引入變分模型,將信號(hào)的分解轉(zhuǎn)換為約束模型最優(yōu)解的尋優(yōu)問(wèn)題,可以避免端點(diǎn)效應(yīng)、抑制模態(tài)混淆,并且VMD具有很高的分解效率,因此引起了人們的研究熱潮。劉建昌等[6]提出了基于參數(shù)優(yōu)化變分模態(tài)分解和樣本熵的特征提取方法,采用支持向量機(jī)進(jìn)行故障識(shí)別,該方法能精確提取故障特征,最后實(shí)現(xiàn)故障診斷。隨著對(duì)變分模態(tài)分解的發(fā)掘,人們發(fā)現(xiàn)分解參數(shù)對(duì)于分解結(jié)果有著重要的影響,李宏坤等[7]提出根據(jù)中心頻率和頻帶帶寬大小自動(dòng)確定模態(tài)個(gè)數(shù)和懲罰因子方法,完成參數(shù)設(shè)置。邊潔和馬洪斌等人分別在文獻(xiàn)[8-9]中利用智能優(yōu)化算法優(yōu)化了變分模態(tài)分解的參數(shù),而后分別結(jié)合1.5維譜和極限學(xué)習(xí)機(jī)完成了軸承故障診斷。學(xué)者們?cè)谖墨I(xiàn)[10-11]中將熵作為一種構(gòu)建特征向量的方法現(xiàn)如今已經(jīng)廣泛用于軸承的故障診斷領(lǐng)域。

多尺度排列熵是一種借鑒了排列熵和多尺度熵思想而形成的作為一種新的時(shí)間序列復(fù)雜性度量的方法,可以用來(lái)衡量時(shí)間序列在不同尺度因子下的復(fù)雜程度[12]。筆者基于滾動(dòng)軸承運(yùn)行周期旋轉(zhuǎn)特性的變分模態(tài)分解和最優(yōu)多尺度排列熵結(jié)合的一種新的特征向量構(gòu)建方法,通過(guò)SVM進(jìn)行分類(lèi),并通過(guò)實(shí)例信號(hào)進(jìn)行不同方法的試驗(yàn)對(duì)比,結(jié)果證明該方法相對(duì)于其它幾個(gè)方法提高了故障診斷精度。

1 變分模態(tài)分解原理及其參數(shù)選取

變分模態(tài)分解算法本身就是一個(gè)變分約束問(wèn)題的建造和問(wèn)題的求解方法,本小節(jié)通過(guò)變分問(wèn)題的構(gòu)造以及求解方法來(lái)介紹其算法原理以及流程,并且分析參數(shù)設(shè)置對(duì)最終分解結(jié)果的影響。

1.1 變分模態(tài)分解原理及步驟

1.1.1 變分模態(tài)分解原理

變分模態(tài)分解是Konstantin等在2014年提出的非遞歸、變分信號(hào)的求解方法,變分模態(tài)分解就是尋求K個(gè)估計(jì)帶寬之和最小的模態(tài)函數(shù),并且要求所有模態(tài)函數(shù)之和為原函數(shù)[6],約束變分模型表達(dá)式為:

(1)

式中:mk表示分解得到的K個(gè)IMF分量;ωk表示量的中心頻率。

為了求解上式變分問(wèn)題的最優(yōu)解,引入增廣lagrange函數(shù)為

(2)

式中:α為罰因子;λ為lagrange乘子。

通常利用交替方向乘子算法(ADMM)求取以上變分問(wèn)題,最終通過(guò)結(jié)束迭代而得到K個(gè)IMF分量。

1.1.2 變分模態(tài)分解步驟

變分模態(tài)分解算法的步驟如下:

1) 初始化{mk},{ωk},λ和n為0;

2)n=n+1,進(jìn)入循環(huán);

3) 根據(jù)更新公式進(jìn)行更新mk,,ωk,直至分解個(gè)數(shù)達(dá)到K時(shí)停止循環(huán);

4) 根據(jù)公式更新λ;

5) 給定精度ε,若滿足停止條件,則停止循環(huán),否則返回步驟2)繼續(xù)循環(huán)。

1.2 參數(shù)設(shè)置對(duì)分解結(jié)果的影響

變分模態(tài)分解算法包含的參數(shù)有分解尺度K、懲罰因子α、噪聲容限和判別精度,研究發(fā)現(xiàn),噪聲容限和判別精度相對(duì)前兩個(gè)參數(shù)對(duì)變分模態(tài)分解的結(jié)果影響較小,本小節(jié)通過(guò)隨機(jī)設(shè)定的方法,介紹分解尺度K和懲罰因子α對(duì)分解結(jié)果的影響。

采用西儲(chǔ)凱斯大學(xué)軸承數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行分析,其軸承的損傷是用電火花加工的單點(diǎn)損傷。本小節(jié)以采樣頻率為12 kHz下的驅(qū)動(dòng)端軸承,損傷直徑為0.177 8 mm的內(nèi)圈故障數(shù)據(jù)做分析,內(nèi)圈故障信號(hào)的時(shí)域圖見(jiàn)圖1。

圖1 軸承內(nèi)圈故障振動(dòng)時(shí)域圖

1.2.1 分解個(gè)數(shù)K對(duì)分解結(jié)果的影響

變分模態(tài)分解算法中分解尺度K值根據(jù)經(jīng)驗(yàn)設(shè)定過(guò)小,會(huì)造成欠分解,如果設(shè)定過(guò)大則會(huì)造成過(guò)分解。分別設(shè)置K值為3,4,5,6,7;懲罰因子設(shè)定為2 000,分解個(gè)數(shù)和中心頻率結(jié)果見(jiàn)表1。

表1 不同K值下所對(duì)應(yīng)的中心頻率

根據(jù)上表可知當(dāng)K值小于5時(shí),分解尺度明顯不足;當(dāng)K等于7時(shí)的中心頻率2 975和3 114比較接近,將其與K=6時(shí)比較很可能存在過(guò)分解現(xiàn)象,初步設(shè)定分解個(gè)數(shù)為6。

1.2.2 懲罰因子α對(duì)分解尺度的影響

根據(jù)經(jīng)驗(yàn)分析,懲罰因子α的選取影響各IMF分量的帶寬。下面來(lái)對(duì)內(nèi)圈故障信號(hào)做懲罰因子α的選取影響分析,設(shè)定分解個(gè)數(shù)K值為6后,設(shè)置當(dāng)α為500,1 000,1 500,2 000,2 500,3 000時(shí),各個(gè)分量的中心頻率數(shù)值見(jiàn)表2。

表2 不同α值下對(duì)應(yīng)的中心頻率

根據(jù)上表2所示可知α的值小于2 000時(shí)對(duì)于分解結(jié)果出現(xiàn)欠分解現(xiàn)象,因此再次設(shè)置α的值為1700,1 800,1 900,2 000,2 200,2 500分析各個(gè)分量的中心頻率發(fā)現(xiàn)α的值在1 600～1 900之間時(shí),分析表明中心頻率2 170和2 751相差較大,仍存在欠分解情況,通過(guò)此方法初步分析內(nèi)圈故障信號(hào)大約K=6,α=2 000時(shí)變分模態(tài)分解算法分解結(jié)果較優(yōu)。

通過(guò)上述分析可以得出參數(shù)設(shè)置直接影響分解結(jié)果。上述的隨機(jī)設(shè)定方法可以確定較優(yōu)的組合,但是無(wú)法顧及兩者參數(shù)的相互影響,而是定一求二,有一定的局限性。

2 量子粒子群算法優(yōu)化VMD參數(shù)

通過(guò)上小節(jié)對(duì)分解參數(shù)的分析,以及隨機(jī)設(shè)置參數(shù)的缺陷,本小節(jié)通過(guò)量子粒子群算法對(duì)參數(shù)進(jìn)行優(yōu)化設(shè)置。

粒子群算法(Particle swarm optimization,PSO)是1995年提出的一種全局優(yōu)化算法,該方法是一種群智能優(yōu)化算法,此方法容易陷入局部最優(yōu),無(wú)法獲取全局最優(yōu)近似解。孫俊等[13]從量子力學(xué)角度,提出量子粒子群算法,其搜索能力優(yōu)于經(jīng)典PSO算法,故本文采用量子粒子群算法優(yōu)化參數(shù)。

2.1 量子粒子群算法原理

量子粒子群優(yōu)化(Quantum particle swarm optimization,QPSO)算法取消了粒子群算法中粒子的移動(dòng)方向?qū)傩?這樣增加了粒子位置的隨機(jī)性,粒子的速度和位置歸結(jié)為一個(gè)參數(shù),提高了計(jì)算效率和收斂速度,其QPSO的粒子迭代定義式為:

(3)

pi=w×pbesti+(1-w)×gbesti

(4)

(5)

式中:M為種群規(guī)模;w、v為[0,1]之間的隨機(jī)數(shù);mbest是最優(yōu)粒子位置均值點(diǎn);t為迭代次數(shù);F為粒子位置。

2.2 算法適應(yīng)度函數(shù)的確定

利用群體智能算法解決問(wèn)題需要確定一個(gè)適應(yīng)度函數(shù),本文采用唐貴基等[14]提出的包絡(luò)熵來(lái)作為衡量的指標(biāo),Ep可定量用于判斷信號(hào)的稀疏性,稀疏性越強(qiáng),Ep值越小;其越弱,Ep值越大。使用的包絡(luò)熵作為適應(yīng)度函數(shù)作為衡量指標(biāo),并將包絡(luò)熵極小值作為優(yōu)化目標(biāo),包絡(luò)熵Ep的表達(dá)式為:

(6)

式中:Qj為aj的歸一化模式;aj為號(hào)yj經(jīng)Hilbert解調(diào)后得到的包絡(luò)信號(hào)。

2.3 算法優(yōu)化流程

以包絡(luò)熵作為適應(yīng)度函數(shù),通過(guò)量子粒子群算法優(yōu)化參數(shù)的流程如下:

1) 初始化粒子群算法,并將粒子的位置設(shè)置維度為2的參數(shù)組合[a1,a2],其中a1,a2分別為分解個(gè)數(shù)和懲罰因子;

2) 在不同粒子的位置組合[a1,a2]下做VMD運(yùn)算,通過(guò)式(6)計(jì)算每個(gè)粒子適應(yīng)度函數(shù)值;對(duì)比適應(yīng)度值的大小;

3) 更新個(gè)體局部極值Pbest和全局極值gbest,通過(guò)式(3)計(jì)算粒子個(gè)體位置最優(yōu)平均點(diǎn),根據(jù)式(5)更新粒子的位置;

4) 重復(fù)步驟2～步驟3直到次數(shù)達(dá)到迭代最大設(shè)定值,結(jié)束迭代,輸出最優(yōu)粒子的位置。

2.4 量子粒子群算法優(yōu)化實(shí)例信號(hào)

本節(jié)同樣采用西儲(chǔ)凱斯大學(xué)數(shù)據(jù)庫(kù)中的采樣頻率為12 kHz下的驅(qū)動(dòng)端軸承,損傷直徑為0.177 8 mm的內(nèi)圈故障數(shù)據(jù)來(lái)進(jìn)行分析,算法在第六代得到最小包絡(luò)熵值為6.303 3,此時(shí)對(duì)應(yīng)的參數(shù)組合[a1,a2]為[8,593]。

上小節(jié)通過(guò)隨機(jī)設(shè)置參數(shù)的方法得出的參數(shù)組合為[6,2 000],計(jì)算此組合下IMF各個(gè)分量包絡(luò)熵值見(jiàn)表3。

表3 參數(shù)組合在[6,2 000]時(shí)的包絡(luò)熵值

表3中,n表示為IMF分量順序,Ep表示包絡(luò)熵值,通過(guò)上表所示此時(shí)的最小包絡(luò)熵值Ep為6.445 0,由于設(shè)置參數(shù)的局限性,所以遠(yuǎn)遠(yuǎn)高于通過(guò)量子群優(yōu)化算法最終得到的包絡(luò)熵值,顯然通過(guò)群體優(yōu)化算法得到參數(shù)組合可以使VMD分解更加合理。

3 最優(yōu)多尺度排列熵算法概念

考慮到軸承故障時(shí)故障沖擊隨時(shí)間存在周期性,基于滾動(dòng)軸承的運(yùn)行狀態(tài)機(jī)理,本文提出了基于滾動(dòng)軸承狀態(tài)機(jī)理的最優(yōu)多尺度排列熵用于后續(xù)構(gòu)建特征向量,下面介紹其概念。

3.1 多尺度排列熵概念

熵是熱力學(xué)范疇的概念,Shannon把其引入到了信息論領(lǐng)域,提出信息熵的概念之后概念逐漸泛化,1991年P(guān)incus提出近似熵的概念,2000年,Richman等提出了樣本熵,本文采用多尺度排列熵來(lái)構(gòu)建特征向量,具體概念見(jiàn)參考文獻(xiàn)[12,15],其主要原理如下:

設(shè)一離散原始時(shí)間序列[f1,f2,…,fN],首先對(duì)原始時(shí)間序列進(jìn)行粗?；儞Q,得到新的時(shí)間序列為

(7)

式中τ為尺度因子。

當(dāng)τ=1時(shí),新的時(shí)間序列就原始序列,計(jì)算每列經(jīng)過(guò)粗粒化序列{xs(n),n=1,2,…,N/s},具體過(guò)程如下:

1) 確定嵌入維數(shù)m,延遲時(shí)間t進(jìn)行空間重構(gòu)為

xs(i)={xs(i),xs(i+t),…,xs[i+(m-1)t]}

(8)

式中:i=1,2,3,…,N/s。

2) 重新構(gòu)建分量Xs,按升序方式排列為

xs[i+(p1-1)t]≤xs[i+(p2-1)t]≤…≤

xs[i+(pm-1)t]

(9)

3) 通過(guò)將重新排列的分量Xs映成一組符號(hào)序列為

s(l)=(p1,p2,…,pm)

(10)

式中:l=1,2,…,K,并且K≤m!。

4) 最后計(jì)算得到每種符號(hào)序列s出現(xiàn)的概率大小,并加以標(biāo)記,將粗?；蛄衶xs(n),n=1,2,…,N/s}的PE值定義為

(11)

3.2 最優(yōu)多尺度排列熵的計(jì)算

由于滾動(dòng)軸承故障時(shí)故障沖擊隨時(shí)間存在周期性的故障特性,滾動(dòng)軸承的具體運(yùn)行狀態(tài)有內(nèi)圈故障、外圈故障、滾動(dòng)體故障以及正常狀態(tài),本文提出了基于滾動(dòng)軸承運(yùn)行機(jī)理的最優(yōu)多尺度排列熵,具體計(jì)算步驟如下:

1) 通過(guò)確定變分模態(tài)分解的參數(shù)組合,得到4種類(lèi)型下的最小Kmin值;

2) 將4種類(lèi)型的振動(dòng)信號(hào)經(jīng)變分模態(tài)分解算法分解得到若干IMF分量;

3) 選取4種類(lèi)型下IMF分量,計(jì)算不同尺度因子下的排列熵值;

4) 分析不同尺度因子下的熵值相對(duì)性與平均距離,選擇最優(yōu)尺度因子確定當(dāng)前模態(tài)分量下的最優(yōu)排列熵值;

5) 重復(fù)步驟3)和步驟4),得出不同模態(tài)下的多尺度排列熵值,循環(huán)至最小分解個(gè)數(shù)Kmin值為止。

3.3 實(shí)例信號(hào)分析

多尺度排列熵算法需要設(shè)定的參數(shù)有嵌入維數(shù)s、延遲時(shí)間t和多尺度因子τ,文獻(xiàn)[16]針對(duì)滾動(dòng)軸承數(shù)據(jù)對(duì)前兩個(gè)參數(shù)進(jìn)行了分析,得知當(dāng)嵌入維數(shù)s取值太小或者過(guò)大都會(huì)造成對(duì)信號(hào)的突變性以及對(duì)時(shí)間序列的微小變化的檢測(cè)困難的問(wèn)題,所以其值一般選取在3～7之間;延遲時(shí)間t對(duì)于信號(hào)分析結(jié)果影響不大。本文著重分析尺度因子對(duì)排列熵的影響,因此憑借經(jīng)驗(yàn)設(shè)置嵌入維數(shù)s=6,延遲時(shí)間t=1,并將尺度因子設(shè)為τ=20。

采用西儲(chǔ)凱斯大學(xué)數(shù)據(jù)庫(kù)軸承正常狀態(tài)下的數(shù)據(jù)進(jìn)行分析,設(shè)定分解參數(shù)為[6,1 500],隨機(jī)確定起始點(diǎn)截取每段為4 096個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)進(jìn)行多尺度排列熵值分析見(jiàn)圖2。

圖2 正常狀態(tài)下不同采樣點(diǎn)下的排列熵值與尺度因子的關(guān)系曲線

通過(guò)上圖所示,可以得出滾動(dòng)軸承在不同的采樣起始點(diǎn)處計(jì)算出的排列熵之間影響不大,此結(jié)果為滾動(dòng)軸承獨(dú)特的周期旋轉(zhuǎn)特性,對(duì)于后續(xù)分析十分重要。

根據(jù)本節(jié)得到滾動(dòng)軸承周期旋轉(zhuǎn)特性以及第二節(jié)中的量子粒子群算法優(yōu)化VMD參數(shù)的分析,使用優(yōu)化好參數(shù)的VMD算法分別分解內(nèi)圈故障、外圈故障、滾動(dòng)體故障以及正常狀態(tài)下的振動(dòng)信號(hào),得到相應(yīng)IMF分量。本小節(jié)以模態(tài)IMF1為例介紹最優(yōu)多尺度排列熵的確定方法,計(jì)算4種狀態(tài)下IMF1多尺度排列熵值見(jiàn)圖3。

圖3 IMF1的排列熵值與尺度因子間的關(guān)系曲線

通過(guò)圖3可知,當(dāng)τ=1時(shí),縱坐標(biāo)的值的為普通排列熵值,可以看出滾動(dòng)體故障和內(nèi)圈故障時(shí)計(jì)算得到的排列熵值很相似,這就會(huì)造成后期識(shí)別精度的缺陷。而當(dāng)尺度因子τ=6時(shí),排列熵值相對(duì)性較大,并且平均距離d=0.129 7。因此確定IMF1下的最優(yōu)尺度因子τ的值為6,以同樣的方法循環(huán)確定不同狀態(tài)不同模態(tài)下的最優(yōu)尺度因子,便于后期構(gòu)建特征向量。

4 滾動(dòng)軸承狀態(tài)識(shí)別流程

本文采用量子粒子群算法搜索VMD算法的最優(yōu)參數(shù)組合[K,α],經(jīng)過(guò)分解得到各個(gè)IMF分量,針對(duì)實(shí)例信號(hào)的特點(diǎn),采用多尺度排列熵算法處理分解信號(hào),分析不同故障類(lèi)型下的IMF分量的多尺度排列熵值,確定不同IMF分量下的最優(yōu)尺度因子τ用于構(gòu)建特征向量,最后將構(gòu)建的特征向量輸入SVM中進(jìn)行訓(xùn)練和模態(tài)分類(lèi),診斷流程見(jiàn)圖4。

圖4 故障診斷流程圖

具體實(shí)現(xiàn)步驟如下:

1) 獲取試驗(yàn)數(shù)據(jù),載入信號(hào);

2) 通過(guò)量子粒子群算法來(lái)對(duì)VMD算法的分解參數(shù)進(jìn)行尋優(yōu),而后使用VMD算法對(duì)信號(hào)分解得到尋優(yōu)后的各個(gè)IMF分量;

3) 計(jì)算不同狀態(tài)類(lèi)型下的IMF1～I(xiàn)MFKmin的多尺度排列熵分析相對(duì)性和平均距離,確定不同狀態(tài)類(lèi)型下IMF1～I(xiàn)MFKmin的最優(yōu)尺度因子τ的值;

4) 將計(jì)算多尺度排列熵作標(biāo)簽處理,構(gòu)建特征向量;

5) 建立SVM模型,輸入特征向量進(jìn)行訓(xùn)練;

6) 通過(guò)使用測(cè)試信號(hào)構(gòu)建測(cè)試數(shù)據(jù)的特征向量,并輸入到SVM模型中,得出分類(lèi)結(jié)果。

5 實(shí)例信號(hào)故障診斷

本文選用西儲(chǔ)凱斯大學(xué)實(shí)驗(yàn)室的數(shù)據(jù)作為實(shí)例分析。本文以采樣頻率為12 kHz下的驅(qū)動(dòng)端軸承故障數(shù)據(jù)做分析,分別采用損傷直徑為0.177 8 mm的內(nèi)圈、滾動(dòng)體、外圈故障和正常狀態(tài)下的振動(dòng)信號(hào),各選取四種狀態(tài)振動(dòng)信號(hào)的100組樣本,其中訓(xùn)練樣本70組,30組作為測(cè)試樣本。

由于量子粒子群優(yōu)化算法得到4種狀態(tài)下最小K值為3的限制,選取IMF1～I(xiàn)MF3分量計(jì)算最優(yōu)多尺度排列熵構(gòu)建特征向量,訓(xùn)練樣本共有4×70個(gè)特征向量,將這些特征向量輸入SVM分類(lèi)器進(jìn)行訓(xùn)練,得到SVM分類(lèi)模型。再將測(cè)試數(shù)據(jù)共有4×30個(gè)特征向量輸入到訓(xùn)練到的SVM分類(lèi)器中進(jìn)行識(shí)別,得到的故障診斷結(jié)果見(jiàn)圖5。

圖5 采用VMD-OMPE方法的最終識(shí)別分類(lèi)圖

通過(guò)上圖所示,標(biāo)簽1～4分別表示為內(nèi)圈故障、外圈故障、滾動(dòng)體故障以及正常狀態(tài),可以明顯看出本文提出的方法最終可以實(shí)現(xiàn)滾動(dòng)軸承的故障類(lèi)型分類(lèi),平均正確率為98.34%。

對(duì)了突出本文提出方法的優(yōu)越性,通過(guò)上述樣本集,采用隨機(jī)設(shè)置確定參數(shù)的VMD算法和普通排列熵結(jié)合構(gòu)建特征向量的方法,得到的一組特征向量值見(jiàn)表4。

表4 采用VMD-PE方法構(gòu)建的特征向量

由于隨機(jī)設(shè)置參數(shù)得到的最小K值等于4,所以1個(gè)特征向量中有4個(gè)特征值。由上表可以看出,由于方法本身的局限,所以不同標(biāo)簽下特征值有些相差不大,會(huì)對(duì)診斷的精度造成干擾,此方法最終的平均正確率為94.97%。

采用相同樣本集,以經(jīng)驗(yàn)?zāi)B(tài)分解算法(EMD)、局部均值分解(LMD)結(jié)合普通排列熵構(gòu)建特征向量,利用支持向量機(jī)進(jìn)行分類(lèi),最終得到的結(jié)果只能做到差強(qiáng)人意,精確度不高,因此本文提出的特征向量構(gòu)建方法更能可以提高SVM分類(lèi)器的準(zhǔn)確性,實(shí)現(xiàn)滾動(dòng)軸承的精準(zhǔn)診斷。

6 結(jié)論

本文提出變分模態(tài)分解、最優(yōu)多尺度排列熵以及支持向量機(jī)結(jié)合的滾動(dòng)軸承故障診斷方法,通過(guò)實(shí)例信號(hào)實(shí)驗(yàn)分析得出結(jié)論如下:

1) 變分模態(tài)分解算法的參數(shù)設(shè)置對(duì)于最終結(jié)果尤為重要,采用量子粒子群算法通過(guò)得到最優(yōu)包絡(luò)熵值的方法可以?xún)?yōu)化變分模態(tài)分解算法的參數(shù)。

2) 選取不同采樣點(diǎn)數(shù)據(jù)通過(guò)VMD分解后進(jìn)行多尺度分析得到滾動(dòng)軸承的周期旋轉(zhuǎn)特性,從而可以實(shí)現(xiàn)多尺度排列熵的最優(yōu)尺度確定。

3) 通過(guò)參數(shù)優(yōu)化VMD與最優(yōu)多尺度排列熵結(jié)合的構(gòu)建特征向量的方法,相比于EMD、LMD等傳統(tǒng)方法能夠提高故障診斷的精度。