[发明专利]基于参数优化VMD和加权基尼指数的轴承故障诊断方法

说明书

一种基于参数优化VMD和加权基尼指数的轴承故障诊断方法，采集轴承由健康状态到损伤状态的全生命周期振动信号，得到振动加速度信号；初始化变分模式分解和食肉植物优化算法的参数，计算适应度函数值；根据适应度函数值，采用食肉植物优化算法优化变分模式分解算法，获得振动加速度信号分解效果最佳的VMD参数组合；利用振动加速度信号分解效果最佳的VMD参数组合进行变分模式分解，计算包络峭度值，对包络峭度值最大的模式分量进行包络解调分析，然后判断轴承故障类型。该方法能在强大复杂的背景噪声下准确高效地提取滚动轴承故障信号的微弱特征，为避免因轴承故障造成重大事故、经济损失等提供了理论方法，具有重要参考价值。

技术领域

本发明属于火箭发动机故障诊断技术领域，涉及一种基于参数优化VMD和加权基尼指数的轴承故障诊断方法。

背景技术

涡轮泵是液体火箭发动机的关键组件，其长期在高温、低温、高压、低压以及高转速工况下运行，所处热力学环境极为复杂。滚动轴承是涡轮泵的核心部件，其长时间以极高的转速运转，同时承受各种形式的应力挤压、摩擦，极易出现故障。滚动轴承一旦出现故障，将直接影响火箭发动机的安全稳定运行。因此开展火箭发动机涡轮泵轴承的故障诊断研究十分必要，对于确保火箭顺利升空具有非常重要的意义。

火箭发动机涡轮泵轴承采用固体自润滑，当轴承受到瞬间外力时易导致结构破坏，或瞬间干摩擦易引起烧蚀。涡轮泵轴承振动信号具有以下特点：(1)频谱宽。振动信号中同时含有低频成份和上万赫兹的高频成份。(2)能量高。涡轮泵轴承振动量级极大，达到了毫米级，但轴承故障特征频率振动量级很小，极易被强大的背景噪声淹没；(3)突变性强。轴承表面一旦出现故障，其劣化速度极快，因而振动信号中故障特征频率具有很强的突变性。这些特点给涡轮泵轴承故障诊断带来了极大的挑战，如何在强大复杂的背景噪声下，准确高效地提取微弱的轴承故障特征，是目前亟待解决的一大难题。

近年来，变分模式分解(VMD)方法在机械设备振动信号处理方面得到了广泛的应用。由于其非递归筛选原理，VMD能够克服经验模式分解的模式混叠和端点效应，并且其分解的信号具有精度高、收敛快和鲁棒性好等特点。然而VMD的缺陷在于必须事先确定分解个数K和二次惩罚因子α，并且该参数对分解精度的影响显著。人工经验确定的参数，分解精度不高，且诊断效率低下。

现有技术中存在涡轮泵轴承振动信号频谱宽、能量大、突变性强，故障特征提取困难的问题。

发明内容

本发明的目的在于提供一种基于参数优化VMD和加权基尼指数的轴承故障诊断方法，通过引入食肉植物优化算法自适应选择VMD分解参数，能有效降低参数选择对VMD的影响，获得最佳分解效果，能在强大复杂的背景噪声下更为高效准确地提取周期性故障冲击脉冲，实现轴承故障的准确识别。

为实现上述目的，本发明采用的技术方案是：

一种基于参数优化VMD和加权基尼指数的轴承故障诊断方法，包括以下步骤：

步骤一：通过轴承水试实验，采集轴承由健康状态到损伤状态的全生命周期振动信号，得到不同故障状态的振动加速度信号；

步骤二：初始化变分模式分解和食肉植物优化算法的参数，然后进行参数寻优过程，计算适应度函数值；

步骤三：根据适应度函数值，采用食肉植物优化算法优化变分模式分解算法，获得不同故障状态的振动加速度信号分解效果最佳的VMD参数组合；

步骤四：利用不同故障状态的振动加速度信号分解效果最佳的VMD参数组合进行变分模式分解，计算所得各个模式分量的包络峭度值，对包络峭度值最大的模式分量进行包络解调分析，得到包络解调谱；

步骤五：从包络解调谱中提取轴承故障特征，判断轴承故障类型。