WOA-VMD算法在轴承故障诊断中的应用

张 萍，张文海，赵新贺，吴显腾，刘 宁

（河北工业大学人工智能与数据科学学院，天津300130）

轴承是旋转机械关键部件之一，发生故障时易导致机械停产、安全事故等问题的产生[1]。其工作环境干扰噪声较多，轴承振动信息所含频率复杂，使其早期故障特征信息难以提取和诊断[2]。滚动轴承故障诊断是一个模式识别的过程，包含特征提取和故障识别两部分，能够准确提取故障信号特征并进行诊断意义重大[3]。因此，本文对滚动轴承振动信号的特征提取和故障诊断方法进行研究，以便提高机械运行的经济性和安全性。

轴承振动信号发生早期故障时，会产生微弱周期性冲击信号，但会被噪声信号淹没，所以需要对振动信号进行分解处理[4]。变分模态分解（Variational mode decomposition，VMD）是由Dragomiretskiy 等2014年提出的一种自适应处理信号方法[5]。与传统经验模态分解(EMD)分解相比，VMD在端点效应和模态混叠方面具有很大优势[6]。目前VMD 已在信号特征提取方面得到成功应用，张超等提出采用VMD提取齿轮信号特征，并结合最小二乘支持向量机进行故障诊断[7]。杨秋玉等提出VMD 结合Hilbert边际谱能量熵对高压断路器进行特征提取[8]。VMD 中模态个数K和惩罚参数α 会影响分解效果[9]。对VMD参数优化多用中心频率观察法，但该法只能优化K值，惩罚参数α则采取默认值[10]。本文通过分析[K，α]的影响效果，提出采用鲸鱼优化算法（WOA）优化VMD 参数的方法，并计算IMF 能量熵作为特征向量，从而能更有效提取各频带故障特征。

提取信号特征后还需要采用有效的模式识别算法进行故障诊断，支持向量机（SVM）是一种针对小样本及非线性问题的模式识别方法[11–12]。……