3.1 VMD ***優(yōu)分量包絡(luò)譜分析去除 4 種信號的咬鋼和拋鋼階段信號,并截取6 000 個樣本點做垂直、軸向和水平振動信號的時域 圖,如圖 5 所示。
經(jīng)過 PSO?VMD 分解后,4 種軸承各方向信號 的分解參數(shù)如表 1 所示。為加快 PSO 的運算速度, 設(shè)置 PSO 對 K 的尋優(yōu)范圍為[4~10],α 的尋優(yōu)范圍 為[2 000~3 000],α 搜索步長為 50。其中,滾動體 剝落軸承垂直方向振動信號得到 6 個 IMF 分量,計算實驗軋機滾動體剝落故障信號各個 IMF 分量與 原信號的相關(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。滾動體故障軸承的 IMF2包絡(luò)譜見圖 6,第 1 個 優(yōu)勢峰對應(yīng)的頻率為 0.091 Hz,約為軸承旋轉(zhuǎn)頻率, 0.351 Hz 為滾動體故障頻率,0.732 4 與 1.068 Hz 分 別為滾動體故障頻率的 2 倍頻和 3 倍頻。由于軋制 板材長度有限,去除咬鋼與拋鋼階段,實際采集有限 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 分解對信號處理后選取***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)量使得滾動體磨損和保持架破 損等較微弱,難以識別故障包絡(luò)譜中的故障頻率。因此,仍需要對信號進(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 信 號 得 到 K 個 分 量,選取前 4 個較優(yōu)分量按照 IMF1~IMF4的順序?qū)?振動信號的分量進(jìn)行 3 維 MMPE 值的計算,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 識別分類;選取 EEMD 與 LMD 算法處 理后的前 4 個較優(yōu)的 IMF 分量計算 MMPE 值,并組 成特征向量,用于 PSO?SVM 模型識別分類。 同樣, 采用 MPE 算法對信號進(jìn)行特征提取并對比。由于嵌入維數(shù) m 過大會影響算法,導(dǎo)致信號序 列排列組合過多?,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,每組信號只會出現(xiàn) 6 種排列組合方式, 極大地節(jié)省了計算時間。在 1~20 的尺度空間內(nèi)尋 找***優(yōu)尺度因子,計算不同尺度因子下模型輸入振 動信號的 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 個分量按照 6 000 個樣本分段,提取 10 個時域特征, 將信號作為輸入向量輸入 PSO?SVM 模型,并進(jìn)行 識別分類和對比。實驗軋機各類故障標(biāo)簽如表 3 所示。實驗軋機各類故障標(biāo)簽中均隨機計算 30 個特征向量作為測試集,VMD ***優(yōu)分量信號時域指標(biāo) 作為輸入,預(yù)測分類結(jié)果如圖 8 所示。其中,無故障 2 個點被錯分,滾動體剝落 2 個點被錯分,滾動體磨 損 18 個點被錯分,分類正確率為 81.67%。由于滾 動體磨損程度較低,信號與正常軸承相似,無故障與 滾動體磨損兩者被錯分嚴(yán)重。 實驗軋機 EEMD 分量 MPE 值特征向量作為輸 入預(yù)測分類結(jié)果如圖 9 所示,其中無故障 2 個點被 錯分,保持架故障 4 個點被錯分,滾動體磨損 5 個點 被錯分,模型分類正確率為 90.83%。采用 MPE 算 法后錯分情況得到改善。 VMD 分量 MPE 值特征向量作為輸入預(yù)測分 類結(jié)果如圖 10 所示,其中無故障 3 個點被錯分,保持 架破損 2 個點被錯分,滾動體磨損 4 個點被錯分,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直接作為輸入相比,同類故障錯分 情況明顯改善;與 EEMD 算法相比,診斷正確率有 所提高。 實驗軋機 VMD 分量 MMPE 值特征向量作為 輸入預(yù)測分類結(jié)果如圖 11 所示,其中無故障 3 個點 被錯分,滾動體剝落 1 個點被錯分,保持架破損 2 個 點被錯分,滾動體磨損 1 個點被錯分,模型分類正確 率為 94.17%。相較于時域指標(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 行時間如表 4 和表 5 所示。軋機在運行過程中軋輥 存在軸向竄動、金屬變形流動、軋輥之間的摩擦以及 輥系變形,會導(dǎo)致軸向力的產(chǎn)生,所以軋機多列滾子 軸承在軋制過程中存在軸向力,需要對軸向振動信 號輸入進(jìn)行對比。統(tǒng)計計算時間為整個故障診斷流 程所需時間。 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,簡稱 MFE)以及加權(quán)排列 熵(weighted permutation entropy,簡 稱 WPE)進(jìn) 行 對比。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)實驗軋機數(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,可以有效實現(xiàn)對 軸承故障診斷。 2)分量時域特征輸入、MPE 組合特征向量輸 入 與 MMPE 組 合 特 征 向 量 輸 入 結(jié) 果 對 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),實現(xiàn)對軸承各類故障的表征,縮短診斷計 算時間,提高診斷正確率。3) MMPE 算法在信號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)軋機滾動 體和保持架的故障診斷,并可有效實現(xiàn)早期滾動體 劃傷故障的診斷分類。[聲明] 本文來源網(wǎng)絡(luò),由軋機軸承整理發(fā)布,版權(quán)歸原作者所有。轉(zhuǎn)載請注明來源,如有侵權(quán),請聯(lián)系我們刪除。