[发明专利]基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法

权利要求书

1.一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：包括以下步骤：

步骤一：利用一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。

2.根据权利要求1所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述振动信号为传动轴径向振动加速度信号。

3.根据权利要求1所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述VMD算法是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，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，提取出滚动轴承的代表振动特性的特征信号。

4.根据权利要求1所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于，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；所述PSO算法为采用惯性权重成凹函数变化的标准PSO算法；具体的速度更新公式及位置更新公式为：

式中：o＝1，2，3，…，O；O为种群规模；h为迭代次数，H为最大迭代次数；为粒子o第h次迭代中d维的速度；为最大权重，为最小权重；c₁和c₂为学习因子；η为介于区间[0,1]的随机数；为第h次迭代中粒子o在第d维的个体极值点的位置；为第h次迭代中粒子o在d维的当前位置；为第h次迭代中整个种群在d维的全局极值的位置。

5.根据权利要求4所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述标准PSO算法的具体参数设置：学习因子c₁＝c₂＝2，种群规模O＝30，最大迭代次数H＝20，最大权重最小权重

6.根据权利要求4所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述VMD算法中参数的寻优范围中惩罚因子α的寻优范围为[100,2000]，分量个数K的寻优范围为[3,10]。

7.根据权利要求6所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述PSO算法优化VMD、MCKD的适应度函数均为包络谱峰值因子，且VMD分解后，计算出分量的包络谱峰值因子大小，从而比较出最优分量；

其中，包络谱峰值因子定义：

式中：X(z)为包络谱在[f_r′,γf_i′]频率范围的幅值，f_r′取值大于故障轴承所在轴的转频；f_i′为传系统最大轴承故障频率；z＝1,2,…,Z；γ取4～8。

8.根据权利要求7所述的基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，其特征在于：所述最优分量进行包络谱分析后，根据频谱图中的突出频率范围确定后续MCKD参数T的寻优范围；所述MCKD参数T的寻优范围，由公式T＝f_s/f_i确定，其中，f_s为采样频率，f_i为故障频率，未知故障频率即用所述突出频率代替；所述MCKD算法中滤波器长度参数L的寻优范围为[100,1000]。