基于多惩罚因子优化VMD的滚动轴承故障特征提取方法

针对变分模态分解(variational mode decomposition,VMD)在提取滚动轴承故障特征时预先设置多惩罚因子具有不确定性的问题,结合灰狼优化(grey wolf optimization,GWO)算法提出一种基于多惩罚因子优化VMD的滚动轴承故障特征提取方法。首先利用GWO算法实现VMD的多惩罚因子自适应优化,再利用优化得到的参数将滚动轴承的振动信号分解为多个本征模态函数(intrinsic mode function,IMF),最后对各个IMF分量作包络解调提取滚动轴承的故障频率特征。研究结果表明,在优化VMD参数时,该方法相对其他方法优化效率有了明显提高,并且提取滚动轴承故障特征效果显著,得到特征频率幅值为其他方法的2~4倍,证明了该方法的有效性和优越性。