3.1 VMD ***優(yōu)分量包絡(luò)譜分析去除 4 種信號(hào)的咬鋼和拋鋼階段信號(hào)，并截取6 000 個(gè)樣本點(diǎn)做垂直、軸向和水平振動(dòng)信號(hào)的時(shí)域 圖，如圖 5 所示。
經(jīng)過(guò) PSO?VMD 分解后，4 種軸承各方向信號(hào) 的分解參數(shù)如表 1 所示。為加快 PSO 的運(yùn)算速度， 設(shè)置 PSO 對(duì) K 的尋優(yōu)范圍為［4~10］，α 的尋優(yōu)范圍 為［2 000~3 000］，α 搜索步長(zhǎng)為 50。其中，滾動(dòng)體 剝落軸承垂直方向振動(dòng)信號(hào)得到 6 個(gè) IMF 分量，計(jì)算實(shí)驗(yàn)軋機(jī)滾動(dòng)體剝落故障信號(hào)各個(gè) IMF 分量與 原信號(hào)的相關(guān)系數(shù)、峭度和方差貢獻(xiàn)率等指標(biāo)，如 表 2 所示。綜合各分量的相關(guān)系數(shù)、峭度與方差貢 獻(xiàn)率指標(biāo)，判斷 IMF2 分量包含較多的故障特征信 息，為***優(yōu)分量。滾動(dòng)體故障軸承的 IMF2包絡(luò)譜見圖 6，第 1 個(gè) 優(yōu)勢(shì)峰對(duì)應(yīng)的頻率為 0.091 Hz，約為軸承旋轉(zhuǎn)頻率， 0.351 Hz 為滾動(dòng)體故障頻率，0.732 4 與 1.068 Hz 分 別為滾動(dòng)體故障頻率的 2 倍頻和 3 倍頻。由于軋制 板材長(zhǎng)度有限，去除咬鋼與拋鋼階段，實(shí)際采集有限 正常數(shù)據(jù)較少，導(dǎo)致包絡(luò)譜圖像稀疏，頻率分辨率 較低。 由圖 5 可知，VMD 分解對(duì)信號(hào)處理后選取***優(yōu) 分量并進(jìn)行包絡(luò)分析，可以從頻譜圖中找到滾動(dòng)體 故障特征頻率，但是由于數(shù)據(jù)量少導(dǎo)致效果并不完 美，并且較少的數(shù)據(jù)量使得滾動(dòng)體磨損和保持架破 損等較微弱，難以識(shí)別故障包絡(luò)譜中的故障頻率。因此，仍需要對(duì)信號(hào)進(jìn)行特征提取，以進(jìn)一步提高診 斷的正確率。3.2 VMD 分解與 MMPE 算法結(jié)果分析 VMD 算 法 分 解 各 方 向 振 動(dòng) 信 號(hào) 得 到 K 個(gè) 分 量，選取前 4 個(gè)較優(yōu)分量按照 IMF1~IMF4的順序?qū)?振動(dòng)信號(hào)的分量進(jìn)行 3 維 MMPE 值的計(jì)算，并按照 分量數(shù)進(jìn)行排列，與峰峰值組成 5 維特征向量，用于 PSO?SVM 識(shí)別分類；選取 EEMD 與 LMD 算法處 理后的前 4 個(gè)較優(yōu)的 IMF 分量計(jì)算 MMPE 值，并組 成特征向量，用于 PSO?SVM 模型識(shí)別分類。 同樣， 采用 MPE 算法對(duì)信號(hào)進(jìn)行特征提取并對(duì)比。由于嵌入維數(shù) m 過(guò)大會(huì)影響算法，導(dǎo)致信號(hào)序 列排列組合過(guò)多?，F(xiàn)有研究表明，m 設(shè)置為 3~7 均 可以取得較好的效果，因此筆者將算法的嵌入維數(shù) m 設(shè)置為 3，每組信號(hào)只會(huì)出現(xiàn) 6 種排列組合方式， 極大地節(jié)省了計(jì)算時(shí)間。在 1~20 的尺度空間內(nèi)尋 找***優(yōu)尺度因子，計(jì)算不同尺度因子下模型輸入振 動(dòng)信號(hào)的 VMD?MMPE 與 VMD?MMPE 的診斷準(zhǔn) 確率，并繪制準(zhǔn)確率變化曲線如圖 7 所示。***終， MMPE 與 MPE 的尺度因子選為 14 與 13。 EEMD，LMD 和 VMD 這 3 種算法處理的 4 個(gè)分量按照 6 000 個(gè)樣本分段，提取 10 個(gè)時(shí)域特征， 將信號(hào)作為輸入向量輸入 PSO?SVM 模型，并進(jìn)行 識(shí)別分類和對(duì)比。實(shí)驗(yàn)軋機(jī)各類故障標(biāo)簽如表 3 所示。實(shí)驗(yàn)軋機(jī)各類故障標(biāo)簽中均隨機(jī)計(jì)算 30 個(gè)特征向量作為測(cè)試集，VMD ***優(yōu)分量信號(hào)時(shí)域指標(biāo) 作為輸入，預(yù)測(cè)分類結(jié)果如圖 8 所示。其中，無(wú)故障 2 個(gè)點(diǎn)被錯(cuò)分，滾動(dòng)體剝落 2 個(gè)點(diǎn)被錯(cuò)分，滾動(dòng)體磨 損 18 個(gè)點(diǎn)被錯(cuò)分，分類正確率為 81.67%。由于滾 動(dòng)體磨損程度較低，信號(hào)與正常軸承相似，無(wú)故障與 滾動(dòng)體磨損兩者被錯(cuò)分嚴(yán)重。 實(shí)驗(yàn)軋機(jī) EEMD 分量 MPE 值特征向量作為輸 入預(yù)測(cè)分類結(jié)果如圖 9 所示，其中無(wú)故障 2 個(gè)點(diǎn)被 錯(cuò)分，保持架故障 4 個(gè)點(diǎn)被錯(cuò)分，滾動(dòng)體磨損 5 個(gè)點(diǎn) 被錯(cuò)分，模型分類正確率為 90.83%。采用 MPE 算 法后錯(cuò)分情況得到改善。
VMD 分量 MPE 值特征向量作為輸入預(yù)測(cè)分 類結(jié)果如圖 10 所示，其中無(wú)故障 3 個(gè)點(diǎn)被錯(cuò)分，保持 架破損 2 個(gè)點(diǎn)被錯(cuò)分，滾動(dòng)體磨損 4 個(gè)點(diǎn)被錯(cuò)分，模 型分類正確率為 92.50%。采用 MPE 特征向量作為輸入與分類信號(hào)直接作為輸入相比，同類故障錯(cuò)分 情況明顯改善；與 EEMD 算法相比，診斷正確率有 所提高。 實(shí)驗(yàn)軋機(jī) VMD 分量 MMPE 值特征向量作為 輸入預(yù)測(cè)分類結(jié)果如圖 11 所示，其中無(wú)故障 3 個(gè)點(diǎn) 被錯(cuò)分，滾動(dòng)體剝落 1 個(gè)點(diǎn)被錯(cuò)分，保持架破損 2 個(gè) 點(diǎn)被錯(cuò)分，滾動(dòng)體磨損 1 個(gè)點(diǎn)被錯(cuò)分，模型分類正確 率為 94.17%。相較于時(shí)域指標(biāo)輸入與 MPE 特征輸 入，其正確率進(jìn)一步得到提高。 PSO?SVM 與 SVM 算法診斷正確率及程序運(yùn) 行時(shí)間如表 4 和表 5 所示。軋機(jī)在運(yùn)行過(guò)程中軋輥 存在軸向竄動(dòng)、金屬變形流動(dòng)、軋輥之間的摩擦以及 輥系變形，會(huì)導(dǎo)致軸向力的產(chǎn)生，所以軋機(jī)多列滾子 軸承在軋制過(guò)程中存在軸向力，需要對(duì)軸向振動(dòng)信 號(hào)輸入進(jìn)行對(duì)比。統(tǒng)計(jì)計(jì)算時(shí)間為整個(gè)故障診斷流 程所需時(shí)間。 由圖 8~11 及表 4，5 可知：VMD 算法在 3 種輸 入情況下均具有較高的分類正確率，VMD?MMPE 組合特征向量作為輸入處理兩類數(shù)據(jù)正確率***高， 為 94.17%；運(yùn)用 MPE 算法提取特征向量，優(yōu)化輸入 后 ，SVM 診 斷 正 確 率 及 診 斷 速 度 均 明 顯 提 高 ；MMPE 組合特征向量作為輸入，提高了模型同故障、不同部位的故障程度分類效果；MMPE 優(yōu)化了 PSO?SVM 的輸入，驗(yàn)證了 VMD?MMPE 值作為軸 承故障特征表征具有較好的效果。 為進(jìn)一步驗(yàn)證本研究 VMD?MMPE 特征提取 方法的有效性，將其與多尺度熵和多尺度模糊熵 （multiscale fuzzy entropy，簡(jiǎn)稱 MFE）以及加權(quán)排列 熵（weighted permutation entropy，簡(jiǎn) 稱 WPE）進(jìn) 行 對(duì)比。MSE 參數(shù)設(shè)置為：m=3，r=0.15σ，τ=1，s= 15。MFE 參數(shù)設(shè)置為：m=3，τ=1，s=15。WPE 的參數(shù)設(shè)置為：m=3，τ=1。相關(guān)算法對(duì)比如表 6 所 示，可見 VMD?MSE，VMD?MFE 和 VMD?WPE 的 效果均不如本研究的 VMD?MMPE。
4 結(jié) 論1）實(shí)驗(yàn)軋機(jī)數(shù)據(jù)分析結(jié)果表明，VMD 結(jié)合排 列熵處理效果優(yōu)于 EEMD 和 LMD 算法，MMPE 可 以很好地提取出軸承的故障特征，可以有效實(shí)現(xiàn)對(duì) 軸承故障診斷。 2）分量時(shí)域特征輸入、MPE 組合特征向量輸 入 與 MMPE 組 合 特 征 向 量 輸 入 結(jié) 果 對(duì) 比 表 明 ， MMPE 值可以極大地優(yōu)化 PSO?SVM 的輸入，減少 輸入維數(shù)，實(shí)現(xiàn)對(duì)軸承各類故障的表征，縮短診斷計(jì) 算時(shí)間，提高診斷正確率。3） MMPE 算法在信號(hào)特征提取中的效果優(yōu)于 現(xiàn)有的 MSE，MFE，MPE 和 WPE 算法。4）所建立的故障診斷模型能夠?qū)崿F(xiàn)軋機(jī)滾動(dòng) 體和保持架的故障診斷，并可有效實(shí)現(xiàn)早期滾動(dòng)體 劃傷故障的診斷分類。[聲明] 本文來(lái)源網(wǎng)絡(luò)，由軋機(jī)軸承整理發(fā)布，版權(quán)歸原作者所有。轉(zhuǎn)載請(qǐng)注明來(lái)源，如有侵權(quán)，請(qǐng)聯(lián)系我們刪除。
蘇公網(wǎng)安備32020602001791
