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。
經過 PSO?VMD 分解后，4 種軸承各方向信號 的分解參數如表 1 所示。為加快 PSO 的運算速度， 設置 PSO 對 K 的尋優范圍為［4~10］，α 的尋優范圍 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 原信號的相關系數、峭度和方差貢獻率等指標，如 表 2 所示。綜合各分量的相關系數、峭度與方差貢 獻率指標，判斷 IMF2 分量包含較多的故障特征信 息，為***優分量。滾動體故障軸承的 IMF2包絡譜見圖 6，第 1 個 優勢峰對應的頻率為 0.091 Hz，約為軸承旋轉頻率， 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 正常數據較少，導致包絡譜圖像稀疏，頻率分辨率 較低。 由圖 5 可知，VMD 分解對信號處理后選取***優 分量并進行包絡分析，可以從頻譜圖中找到滾動體 故障特征頻率，但是由于數據量少導致效果并不完 美，并且較少的數據量使得滾動體磨損和保持架破 損等較微弱，難以識別故障包絡譜中的故障頻率。因此，仍需要對信號進行特征提取，以進一步提高診 斷的正確率。3.2 VMD 分解與 MMPE 算法結果分析 VMD 算 法 分 解 各 方 向 振 動 信 號 得 到 K 個 分 量，選取前 4 個較優分量按照 IMF1~IMF4的順序對 振動信號的分量進行 3 維 MMPE 值的計算，并按照 分量數進行排列，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 算法對信號進行特征提取并對比。由于嵌入維數 m 過大會影響算法，導致信號序 列排列組合過多。現有研究表明，m 設置為 3~7 均 可以取得較好的效果，因此筆者將算法的嵌入維數 m 設置為 3，每組信號只會出現 6 種排列組合方式， 極大地節省了計算時間。在 1~20 的尺度空間內尋 找***優尺度因子，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 確率，并繪制準確率變化曲線如圖 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，并進行 識別分類和對比。實驗軋機各類故障標簽如表 3 所示。實驗軋機各類故障標簽中均隨機計算 30 個特征向量作為測試集，VMD ***優分量信號時域指標 作為輸入，預測分類結果如圖 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重。 實驗軋機 EEMD 分量 MPE 值特征向量作為輸 入預測分類結果如圖 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測分 類結果如圖 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 輸入預測分類結果如圖 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%。相較于時域指標輸入與 MPE 特征輸 入，其正確率進一步得到提高。 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，會導致軸向力的產生，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 號輸入進行對比。統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據正確率***高， 為 94.17%；運用 MPE 算法提取特征向量，優化輸入 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）以及加權排列 熵（weighted permutation entropy，簡 稱 WPE）進 行 對比。MSE 參數設置為：m=3，r=0.15σ，τ=1，s= 15。MFE 參數設置為：m=3，τ=1，s=15。WPE 的參數設置為：m=3，τ=1。相關算法對比如表 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 論1）實驗軋機數據分析結果表明，VMD 結合排 列熵處理效果優于 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 果 對 比 表 明 ， MMPE 值可以極大地優化 PSO?SVM 的輸入，減少 輸入維數，實現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于 現有的 MSE，MFE，MPE 和 WPE 算法。4）所建立的故障診斷模型能夠實現軋機滾動 體和保持架的故障診斷，并可有效實現早期滾動體 劃傷故障的診斷分類。[聲明] 本文來源網絡，由軋機軸承整理發布，版權歸原作者所有。轉載請注明來源，如有侵權，請聯系我們刪除。
蘇公網安備32020602001791