基于自适应VMD和相关峭度特征增强的振动传感器信号滚动轴承故障诊断方法

《Scientific Reports》：A rolling bearing fault diagnosis method based on vibration sensor signals using adaptive VMD and correlation kurtosis feature enhancement

　　针对振动传感器获取的故障信号中噪声干扰严重以及故障特征难以有效提取的问题，提出了一种基于自适应模态分解和相关峭度特征增强的滚动轴承故障诊断方法。该方法基于振动传感器输出信号的时域变化模型，获取具有增强冲击和噪声抑制能力的故障表征特征。以特征重建和分类网络为核心，实现滚动轴承故障识别。采用斑马优化算法（ZOA）自适应优化变分模态分解（VMD）中的惩罚因子和模态分解数量，以正则化包络熵作为适应度函数，实现振动信号的自适应分解和模态特征提取。利用加权相关峭度（WCK）评估和选择有效模态进行信号重建，从而有效抑制模态混叠和噪声干扰。在此基础上，针对重建振动信号中弱冲击特征不明显的问题，引入ZOA优化的最大相关峭度解卷积（MCKD）。通过自适应调整滤波长度和移位阶数，进一步增强周期冲击特征表达能力，提高振动传感器信号的故障表征效果。实验结果表明，该方法能有效抑制噪声干扰，增强故障特征表达能力。该方法在自建轴承数据集、公开可用的CWRU数据集和公开可用的PU数据集上均取得了优异的诊断效果，故障识别准确率分别达到96.5%、97.0%和95.9%。与传统VMD-MCKD方法相比，本文提出的方法在不同数据集上均实现了显著的性能提升，验证了该方法在不同工况下具有更好的故障特征提取能力和泛化性能。