基于谐波相干因子与改进北极海鹦优化的自适应变分模态提取滚动轴承早期故障诊断方法

《Lubricants》：Rolling Bearing Fault Diagnosis Using Adaptive Variational Mode Extraction Based on Harmonic Coherence Factor Under Strong Noise

　　

摘要

为了解决滚动轴承早期故障信号容易淹没在强噪声中、且在恶劣工况下故障特征难以提取的问题，本文提出了一种自适应故障诊断方法，称为HCF-IAPO-VME。首先，构建了一种新颖的谐波相干因子（HCF），能够在不依赖先验故障频率信息的情况下，同时评估周期性冲击特征的强度和谐波结构的一致性。其次，采用改进的北极海鹦优化（IAPO）算法，以HCF作为适应度函数，自适应地确定变分模态提取（VME）的最优参数。与传统的依赖于先验故障频率和单一特征指标的VME及基于优化的方法不同，所提出的方法能够在强噪声条件下实现自适应参数优化和可靠的弱故障提取。随后，利用优化后的VME提取与故障相关的模态，并采用包络解调来识别故障特征频率。通过仿真信号和两个公开实验数据集验证了所提方法的性能。利用故障特征系数（FFC）、峭度、信噪比（SNR）和包络熵（EE）与VMD、FK和AVME进行了定量和定性比较。结果表明，HCF-IAPO-VME能够有效抑制强噪声干扰，并准确提取滚动轴承的微弱早期故障特征。