1 简介

滚动轴承广泛应用于机械、电力、矿山及航空航天等行业中，轴承的工作状态直接影响设备的运行与安全，因此轴承的故障诊断是非常重要的。然而背景噪声却大大影响了故障诊断的效果。因此信号与噪声的有效分离是故障诊断的关键一环。轴承振动信号是一类典型的非平稳、非线性信号​。

针对轴承振动信号夹杂的噪声极大影响有用信息的提取,提出了基于遗传算法的变分模态分解(variational mode decomposition,VMD)与小波阈值去噪方法。该方法首先利用遗传算法选择合适的VMD参数,然后用VMD方法对含噪声的信号进行自适应分解,最后对分解的模态分别进行小波阈值处理后重构信号,得到去噪后的信号。在实际轴承信号的实验结果表明,该方法与常用的去噪方法相比,得到能够得到更高的信噪比和更低的均方差。

​2 部分代码

%% 基于遗传算法（Genetic Algorithm,GA)优化变分模态分解（variational mode decomposition,VMD）参数clcclear allclose all% 读取数据data=load('齿轮折断状态测试组1（6）.txt');%采样频率fs=12800;% 信号长度len=1000;s=data(1:len);% 采样时间t = (0:len-1)/fs;       %% 设定遗传算法参数maxgen=10;  % 进化代数，即迭代次数sizepop=10; % 种群规模pcross=0.8;  % 交叉概率选择(Pc:0-1)pmutation=0.1; % 变异概率选择(Pm:0-1)nvar=2; % 优化参数个数为2，分别为VMD的alpha和Klenchrom=ones(1,nvar); % 个体长度 % 参数范围（VMD的alpha和K）bound=[500 2000;​subplot(m,1,i)plot(t,u(i,:),'b-','linewidth',1)ylabel(['IMF',num2str(i)]);axis tightendsubplot(m,1,m)plot(t,u(m,:),'b-','linewidth',1)ylabel('Res');% figure% for i=1:m-1% subplot(m,1,i)% hua_fft(u(i,:),fs,1)% ylabel(['FFT of IMF',num2str(i)]);% end% subplot(m,1,m)% hua_fft(u(m,:),fs,1)% ylabel('FFT of Res');figurefor i=1:m-1subplot(m,1,i)%% FFT 变换[cc,y_f]=hua_fft(u(i,:),fs,1);plot(y_f,cc,'b','LineWIdth',1.5);% hua_fft(u(i,:),fs,1)ylabel(['FFT of IMF',num2str(i)]);axis tightendsubplot(m,1,m)[cc,y_f]=hua_fft(u(m,:),fs,1);plot(y_f,cc,'b','LineWIdth',1.5);% hua_fft(u(m,:),fs,1)axis tightylabel('FFT of Res');​​​​

3 仿真结果

4 参考文献

[1]刘嘉敏, 彭玲, 刘军委,等. 基于遗传算法的VMD参数优化与小波阈值的轴承振动信号去噪分析[C]// 第二十七届全国振动与噪声应用学术会议论文集. 2016.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。