《Digital Signal Processing》:Research on denoising of rolling bearing vibration signals based on the ISSA-VMD-JWTD method
编辑推荐:
本文提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)、变分模态分解(Variational Mode Decomposition, VMD)和联合小波阈值去噪(Joint Wavelet Thre
本文提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)、变分模态分解(Variational Mode Decomposition, VMD)和联合小波阈值去噪(Joint Wavelet Threshold Denoising, JWTD)的新型方法(ISSA-VMD-JWTD)。在优化过程中,研究人员利用三次映射初始化麻雀种群,并以加权峭度作为适应度函数来优化变分模态分解的关键参数。在分解与去噪过程中,首先使用具有最优参数组合的VMD对振动信号进行分解,随后自适应选取有效分量以消除低频噪声。接着,建立多目标优化机制,自主确定不同小波族(包括dbN、symN和coifN)的最优小波阈值参数。然后使用各小波族的最优参数对重构后的ISSA-VMD信号进行并行二次去噪。最后,通过基于方差的加权策略整合多种小波族的去噪结果,生成最终去噪信号。实验结果表明,与其他去噪方法相比,所提方法显著提高了去噪信号的信噪比,同时对多种工况下的滚动轴承振动信号表现出优越的适应性和鲁棒性。
本文提出了一种专为滚动轴承振动信号设计的新型联合去噪方法ISSA-VMD-JWTD,发表于《Digital Signal Processing》期刊。
研究背景与动机方面,旋转机械广泛应用于航空航天、数控机床和机器人等领域,其运行性能很大程度上取决于滚动轴承这一关键部件的健康状况。统计显示,45%-55%的旋转机械故障由滚动轴承引起。滚动轴承振动信号通常具有冲击性、非线性和非平稳性等复杂特征,且由于旋转机械复杂的工况条件,轴承缺陷信号常被噪声淹没。因此,有效去噪以提取可靠的故障特征对于后续的故障分析和剩余使用寿命预测具有重要理论和实际意义。现有非平稳信号去噪方法中,经验模态分解(Empirical Mode Decomposition, EMD)及其改进版本缺乏严格的数学基础,无法完全避免模态混叠问题。变分模态分解(VMD)虽有效解决了这一问题,但其模态数K和惩罚因子α的参数选择直接影响去噪效果。现有参数确定方法或缺乏客观性,或适应性有限,或依赖专家经验。此外,小波阈值去噪(Wavelet Threshold Denoising, WTD)在消除高频噪声方面表现优越,但其参数配置同样缺乏系统方法。基于此,研究人员开展了本项研究。
在关键技术方法方面,研究人员采用了以下核心技术路线:基于三次映射初始化改进麻雀搜索算法(SSA)种群,构建加权峭度指标作为VMD参数优化的适应度函数,实现VMD分解和有效本征模态函数(Intrinsic Mode Function, IMF)的自适应筛选;建立多目标优化自适应参数选择机制,对dbN、symN和coifN三种小波基函数的阈值规则、分解层数等参数进行自动优化;采用基于方差的加权策略融合多种小波基的去噪结果。实验数据包括仿真的轴承内圈故障信号和西安交通大学滑动轴承数据集(XJTU-SY bearing dataset)中的真实信号。
研究结果部分,各小节内容如下:
"Variational mode decomposition"部分介绍了VMD的基本原理。VMD是基于维纳滤波(Wiener filtering)和变分框架的自适应信号分解方法,其核心在于将信号分解为指定数量的IMF分量,以实现频域内模态的有效分离。
"Parameter adaptive VMD method based on improved SSA"部分阐述了基于改进SSA的参数自适应VMD方法。研究人员通过改进麻雀种群初始化方式、构建加权峭度指标和增强适应度函数三个方面对SSA-VMD算法进行优化。改进后的ISSA-VMD算法用于搜索最优参数组合,实现轴承振动信号分解的自适应处理。
"Construct simulated signal"部分说明了仿真信号的构建方法。研究人员参考Liao和Ji建立的方法论,构造了轴承内圈故障仿真信号,其中故障频率f
i=97Hz,轴旋转频率f
r=10Hz,并考虑了滚动体随机滑移因素。
"XJTU-SY bearing dataset"部分介绍了实验数据来源。研究人员采用西安交通大学的加速寿命试验台数据,该试验台由交流电机、电机转速控制器、轴、支承轴承、液压加载系统和试验轴承等组成。实验研究对象为LDKUER204滚动轴承,在两种典型工况条件下采集了故障信号以全面验证方法性能。
讨论与结论部分,研究人员对所提出的ISSA-VMD-JWTD方法进行了总结。该方法通过引入基于加权峭度准则的改进麻雀搜索算法,实现了变分模态分解参数的自适应优化和有效IMF分量的智能筛选,结合多小波基联合阈值去噪策略,建立了完备的振动信号处理框架。实验验证表明,该方法能够显著提高去噪信号的信噪比,在模拟信号和实际轴承信号测试中均优于对比方法,对多种工况下的滚动轴承振动信号具有良好的适应性和鲁棒性。该方法为旋转机械滚动轴承的故障特征提取提供了有效的技术途径,具有重要的工程应用价值。