基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断

发布时间：2018-07-20 16:48

【摘要】：为了准确提取轴承的故障特征,提出了一种遗传算法(GA)参数优化的变分模态分解(VMD)结合1.5维谱的轴承故障诊断方法。首先以VMD方法中模态分量的包络熵值最小为优化目标,利用遗传算法对模态分量个数和二次惩罚因子进行优化,确定这两个能使VMD实现最优分解的输入参数。然后利用参数优化的VMD方法对仿真信号和轴承内环故障信号进行分解,并做各模态分量的1.5维谱图。参数优化的VMD分解得到了与仿真信号原始分量相符的4个模态分量,1.5维谱剔除了未参与二次相位耦合的10Hz频率分量。同时在1k Hz频率以下,运用本文方法提取了轴承内环故障特征频率的1至6倍频频率成分以及电机转频对它们的调制频率。由此表明,遗传算法参数优化的VMD可实现复杂信号的正确分解,1.5维谱可有效检测信号的二次相位耦合。同时,遗传算法参数优化的VMD结合1.5维谱能有效提取轴承内环故障特征,从而验证了本文方法的有效性和实用性。
[Abstract]:In order to extract the bearing fault features accurately, a genetic algorithm (GA) parameter optimization variational mode decomposition (VMD) combined with 1.5 dimensional spectrum is proposed for bearing fault diagnosis. Firstly, the minimum envelope entropy of modal component in VMD method is taken as the optimization objective, and the number of modal components and the quadratic penalty factor are optimized by genetic algorithm to determine the two input parameters that enable VMD to achieve the optimal decomposition. Then the simulation signal and the fault signal of bearing inner ring are decomposed by using the VMD method of parameter optimization, and the 1.5 dimensional spectral diagram of each modal component is made. According to the VMD decomposition of parameter optimization, four modal components, which are consistent with the original components of the simulation signal, are obtained and the 1.5-D spectrum is eliminated from the 10Hz frequency component which is not involved in the quadratic phase coupling. At the same time, under 1kHz frequency, the frequency components of 1 to 6 times frequency of the fault characteristic frequency of bearing inner ring and the modulation frequency of motor switching frequency to them are extracted by the method in this paper. It is shown that the VMD with optimized parameters of genetic algorithm can realize the correct decomposition of complex signal and 1.5 dimensional spectrum can effectively detect the quadratic phase coupling of the signal. At the same time, the VMD of genetic algorithm parameter optimization combined with 1.5 dimension spectrum can effectively extract the fault characteristics of bearing inner ring, which verifies the effectiveness and practicability of this method.
【作者单位】：中国航空动力机械研究所航空发动机振动技术航空科技重点实验室;
【基金】：航空创新基金资助项目(2012B60804R) 航空科学基金资助项目(2014ZD08007;2014ZD08008)
【分类号】：TH133.33

【参考文献】

相关期刊论文前10条

1 唐贵基;王晓龙;;参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J];西安交通大学学报;2015年05期

2 王艳丰;朱靖;滕光蓉;梁恩波;;航空发动机转子早期裂纹故障振动特征的1(1/2)维谱分析[J];振动与冲击;2015年01期

3 GAO Huizhong;LIANG Lin;CHEN Xiaoguang;XU Guanghua;;Feature Extraction and Recognition for Rolling Element Bearing Fault Utilizing Short-Time Fourier Transform and Non-negative Matrix Factorization[J];Chinese Journal of Mechanical Engineering;2015年01期

4 边杰;王平;梅庆;;EEMD结合能量特征和小波降噪的轴承故障诊断[J];广西大学学报(自然科学版);2014年06期

5 向玲;鄢小安;;汽轮机转子故障诊断中LMD法和EMD法的性能对比研究[J];动力工程学报;2014年12期

6 郭远晶;魏燕定;周晓军;傅雷;;S变换用于滚动轴承故障信号冲击特征提取[J];振动.测试与诊断;2014年05期

7 尚柏林;谢紫龙;程礼;通旭东;;EMD与ICA相结合的复杂转子系统早期故障诊断[J];科学技术与工程;2014年02期

8 唐贵基;王晓龙;;基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究[J];振动与冲击;2014年01期

9 程军圣;罗颂荣;杨斌;杨宇;;LMD能量矩和变量预测模型模式识别在轴承故障智能诊断中的应用[J];振动工程学报;2013年05期

10 王涛;孟凡顺;李洋森;蓝星;;不同时频分析方法的精度比较及应用[J];海洋地质前沿;2013年03期

【共引文献】

相关期刊论文前10条

1 胡亮;柳亦兵;赵立;周超;;碰摩拉杆转子非线性动力学响应特性[J];动力工程学报;2017年07期

2 马增强;柳晓云;张俊甲;王建东;;VMD和ICA联合降噪方法在轴承故障诊断中的应用[J];振动与冲击;2017年13期

3 成洁;李思燃;;基于递归图和局部非负矩阵分解的轴承故障诊断[J];工矿自动化;2017年07期

4 王友仁;陈伟;孙灿飞;孙权;黄海安;;基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断[J];中国机械工程;2017年12期

5 姜战伟;郑近德;潘海洋;潘紫微;;POVMD与包络阶次谱的变工况滚动轴承故障诊断[J];振动.测试与诊断;2017年03期

6 郑近德;潘海洋;杨树宝;潘紫微;;广义变分模态分解方法及其在变工况齿轮故障诊断中的应用[J];振动工程学报;2017年03期

7 郭艳平;解武波;龙涛元;;拟合振动信号模型实现滚动轴承故障诊断[J];兰州交通大学学报;2017年03期

8 杨洪柏;张宏利;蒋超;刘树林;;变分模态分解与神经网络结合的轴承故障诊断[J];机械设计与制造;2017年06期

9 边杰;;基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断[J];推进技术;2017年07期

10 秦波;王祖达;郭慧莉;孙国栋;陈帅;王建国;;基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法[J];机械传动;2017年05期

【二级参考文献】

相关期刊论文前10条

1 尹芳莉;谭建平;何雷;丁闯;;强冲击下变速箱滚动轴承故障诊断[J];广西大学学报(自然科学版);2014年03期

2 钟小凤;贺德强;苗剑;;基于PCA-LSSVM的机车走行部滚动轴承故障诊断研究[J];广西大学学报(自然科学版);2014年02期

3 CHEN Xiaoguang;LIANG Lin;XU Guanghua;LIU Dan;;Feature Extraction of Kernel Regress Reconstruction for Fault Diagnosis Based on Self-organizing Manifold Learning[J];Chinese Journal of Mechanical Engineering;2013年05期

4 王宏超;陈进;董广明;;基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取[J];机械工程学报;2013年01期

5 冯辅周;司爱威;饶国强;江鹏程;;基于小波相关排列熵的轴承早期故障诊断技术[J];机械工程学报;2012年13期

6 梅检民;肖云魁;贾继德;赵慧敏;陈祥龙;乔龙;;基于改进阶比的变速器微弱故障特征提取[J];振动工程学报;2012年03期

7 ;Source Separation of Diesel Engine Vibration Based on the Empirical Mode Decomposition and Independent Component Analysis[J];Chinese Journal of Mechanical Engineering;2012年03期

8 王衍学;何正嘉;訾艳阳;袁静;;基于LMD的时频分析方法及其机械故障诊断应用研究[J];振动与冲击;2012年09期

9 任达千;杨世锡;吴昭同;严拱标;;LMD时频分析方法的端点效应在旋转机械故障诊断中的影响[J];中国机械工程;2012年08期

10 袁幸;朱永生;洪军;张优云;;用盲反卷积和改进谱减法提取轴承微弱特征[J];振动.测试与诊断;2012年02期

【相似文献】

相关期刊论文前10条

1 王毅,曹树良;遗传算法在并联水泵系统运行优化中的应用[J];流体机械;2003年10期

2 孙进平 ,吴瑞明 ,翟瑞红 ,刘忠武;基于遗传算法的工艺决策模式的探索[J];现代制造工程;2002年01期

3 孙进平,吴瑞明;基于遗传算法的工艺决策模式的探索[J];海淀走读大学学报;2003年02期

4 骆志高;李举;王祥;;基于遗传算法的平板裂纹识别[J];机械设计与制造;2009年04期

5 占龙杨;顾伯勤;邵春雷;;基于遗传算法的多泵系统优化运行研究[J];煤矿机械;2011年10期

6 曹慧卿,高峰;一种新的优化方法──遗传算法及其应用[J];机械设计与制造;1997年02期

7 郝博,卢有文,聂义勇;基于遗传算法的机械方案设计系统的研究[J];机械;1999年05期

8 闫永强,梁武科;遗传算法在离心泵叶片优化设计中的应用[J];排灌机械;2004年02期

9 孔凡国;黄伟;;基于模糊理论和遗传算法融合的机械方案优选方法的研究[J];组合机床与自动化加工技术;2006年05期

10 余成树;吴作伟;高永芳;宾婵慧;;改进遗传算法在结构优化中的应用[J];机械工程与自动化;2007年02期