谢棕,张丽萍
(福州大学 机械工程及自动化学院,福建 福州 350108)
齿轮及齿轮箱作为机械设备常用的调节转速和传递转矩的旋转机械设备,不仅能够传递较大的功率和载荷,而且具有较好的可靠性[1]。但是在高精度的切削加工中,当齿轮在变转速、变载荷等复杂工况下工作,极易受到损伤、产生磨损、断齿等情况,使得加工精度大打折扣。因此,齿轮的状态监测和故障诊断变得尤为重要。
齿轮的故障信号多为非线性、非平稳信号。经验模态分解(EMD)和集合经验模态分解(EEMD)在分析非线性、非平稳信号时具有良好的优越性,但是存在严重的端点效应和模态混叠问题[2]。基于此,DRAGOMIRETSKIY K[3]在2014年提出一种自适应、非递归模式的信号分解方法——变分模态分解(variational mode decomposition,VMD),它很好地解决了EMD算法存在的问题,并且具有更坚实的数学理论基础。但VMD算法在分解过程中会同时受分解参数K和惩罚因子α这两个参数的影响。因此,如何快速、准确地确定这两个参数是研究的重点。刘长良等[4]提出一种观察中心频率的方法确定分解参数K值,当开始出现中心频率相近时,认为出现了过分解,以此来确定K值,但却忽略了惩罚因子α对分解结果的影响。瞿红春等[5]利用手动寻优对VMD参数进行优化,先假定α不变,不断寻优K值使得包络熵最小,再将此K值设为定值,不断寻优α值使得包络熵最小,得出分解参数K和惩罚因子α。但这样得出的K和α并不是最优值,且工作量巨大。基于以上分析,本文提出以IMF分量局……