查看更多>>摘要:针对列车轴箱轴承服役条件恶劣,轴承故障信号易被干扰噪声湮没,提取故障特征存在较大难度等问题,提出一种融合包络熵与峭度的调和均值指标(Harmonic Mean Index,HMI)适应度函数的变分模态分解(Variational Mode Decomposition,VMD)参数优化方法,并通过等比例试验台轴承故障数据对算法进行验证.首先,为保证综合函数表征的信号周期性与冲击性在同一个量级,引入调和均值参数,将包络熵与峭度调和均值指标作为适应度函数,采用鹈鹕优化算法(Pelican Optimization Algorithm,POA)进行全局最优值搜索;其次,通过HMI-POA算法优化筛选VMD关键参数,确定最优分解层数K和惩罚因子α,代入关键参数值将故障信号分解为K个本征模态函数(Intrinsic Mode Function,IMF),并根据加权峭度(Weighted Kurtosis,WK)指标确定最佳分量;最后,包络解调最佳分量信号,提取滚动轴承的故障特征成分,采用等比例试验台故障数据验证所提HMI-POA-VMD算法的有效性,并与传统方法比较,以故障特征系数(Fault Feature Coefficient,FFC)为评判依据,验证其优越性.研究结果表明:所提方法具有较高的故障频率提取率,相较于单一适应度函数优化,FFC提升49.1%,相较于传统VMD,FFC提升62.5%,有效提取了更为丰富的故障频率,实现了噪声环境下特征信息的准确获取.