基于参数优化的VMD与DBN的滚动轴承故障诊断*

郗 涛，葛增元，王莉静

(1.天津工业大学机械工程学院，天津 300387；2.天津城建大学控制与机械工程学院，天津 300384)

0 引言

滚动轴承是回转机械设备中的关键零部件，对其进行高效、准确的故障诊断可以有效保障回转设备的健康运行[1]。当滚动轴承发生局部损伤时，会伴随有周期性的冲击信号[2]，而对于早期故障产生的微弱周期信号很容易被环境噪声所覆盖。

变分模态分解(variable modal decomposition，VMD)作为一种可以从振动信号中有效提取故障特征的方法，近些年已经得到了广泛应用[3]。该方法克服了传统的递归式经验模态分解(empirical mode decomposition，EMD)存在的模态混淆等问题，能够将嘈杂的振动信号分解为若干个内禀模态函数(intrinsic mode component，IMF)，且理论支撑相对更加可靠。模态分解数量K和惩罚因子α是VMD分解中有两个关键参数，它们对分解的结果起着不可忽视的作用。针对VMD处理中最优参数的问题，目前尚未有统一的理论，唐贵基等[4]提出了利用粒子群优化算法(particle swarm optimization，PSO)搜索变分模态最优参数的方法。薛政坤等[5]提出了采用遗传算法(genetic algorithm，GA)搜寻变分模态分解最优参数的方法。李道军等[6]提出了采用萤火虫算法(firefly algorithm，FA)搜寻变分模态分解最优参数的方法。以上方法均取得了不错的效果，但粒子群算法存在一个天然缺陷，就是其在搜索的过程当中，易陷入局部最优[7]，即最终通过粒子群算法找到的值与全局最优值有一定的差距，遗传算法的主要问题是收敛速度较慢[8]，萤火虫亦有收敛速度慢和易陷入局部最优的缺点[9]。

为了能更有效快速地搜寻到变分模态分解的最优参数，本文提出一种基于蜉蝣算法(mayfly algorithm，MA)[10]-变分模态分解(VMD)的方法。……