基于改进螂优化算法（MSADBO）优化变分模态提取（VME）结合稀疏最大谐波噪声比解卷积（SMHD）进行故障诊断识别
一、引言
1.1 机械故障诊断的背景和意义
在工业生产的宏大画卷中，机械设备的稳定运行是推动生产顺利进行、保障企业效益的关键要素。然而，机械故障如同潜伏的阴影，时刻威胁着工业生产的正常秩序。
从工业生产的角度来看，机械故障会带来生产效率的骤降和生产成本的激增。一旦关键设备出现故障，整条生产线可能被迫停工，导致产品产量减少，交货期延误，严重影响企业的市场信誉和经济效益。对于流程制造工厂而言，避免停机是巨大的挑战，设备故障作为意外停机的主要原因，会严重影响企业的生产力、盈利能力和声誉。
从设备安全的层面来说，机械故障可能引发严重的安全事故。在一些高风险行业，如化工厂、钢铁厂等，设备故障不仅会导致生产中断，还可能引发火灾、爆炸等灾难性事故，造成人员伤亡和巨大的财产损失。
正因如此，机械故障诊断显得尤为重要且必要。通过先进的故障诊断技术，可以实时监测设备的运行状态，及时发现潜在的故障隐患，实现设备的预知性维修，降低故障发生的概率，减少维修成本，提高设备的可靠性和安全性，为工业生产的稳定进行保驾护航。
1.2 故障诊断领域的研究现状
当前，故障诊断领域的方法多样，各有特点，但也存在不少问题。
直观检查法依靠操作人员的经验和感官，通过观察设备的外观、声音、气味、温度等判断设备是否异常。这种方法简单直接，对于明显故障效果显著，但受操作人员主观因素影响大，且难以发现隐蔽故障。
参数测量法通过测量设备的电压、电流、温度、压力等参数来诊断故障，能提供较为精确的数据支持，但需要专业的测量设备和操作人员，且对于复杂设备的多参数综合分析存在困难。
油液分析法通过对设备润滑油中的磨损颗粒、污染物等进行分析来判断设备的磨损状况和故障原因，适用于以润滑为主的机械设备，但分析过程较为复杂，成本较高，且难以实现实时监测。
频谱分析法利用傅里叶变换等技术将时域信号转换为频域信号，通过分析频谱特征来识别故障，在旋转机械故障诊断中应用广泛，但对于非平稳信号的处理效果不佳。
传统故障诊断方法普遍存在依赖人工经验、实时性差、诊断准确性有限等问题，难以满足现代工业生产对设备高效、稳定运行的需求。随着人工智能、大数据等新兴技术的发展，基于智能诊断技术的方法逐渐兴起，为故障诊断领域带来了新的机遇和挑战。
1.3 本文的研究内容和结构安排
本文针对传统故障诊断方法存在的局限性，提出一种基于改进螂优化算法（MSADBO）优化变分模态提取（VME）结合稀疏最大谐波噪声比解卷积（SMHD）的新型故障诊断方法。
首先阐述机械故障诊断的背景和意义，明确故障诊断的重要性和必要性。接着综述故障诊断领域的研究现状，分析传统方法的局限。然后详细介绍改进螂优化算法、变分模态提取和稀疏最大谐波噪声比解卷积的基本原理和优势，以及三者结合进行故障诊断的实现过程。随后利用西储大学轴承故障数据进行实验验证，从原始信号分析、MSADBO-VME识别分析、MSADBO-VME-SMHD识别分析三个方面进行对比，验证所提方法的有效性。最后总结全文，指出研究的创新点和局限性，展望未来的研究方向，为机械故障诊断领域提供新的思路和方法。
二、理论基础
2.1 改进螂优化算法（MSADBO）
改进螂优化算法（MSADBO）是一种模拟自然界螳螂捕猎行为的新型优化算法。它通过精准模拟螳螂的感知和决策机制来提升算法性能。在感知方面，算法能敏锐捕捉到搜索空间中的关键信息，如同螳螂感知猎物位置一般迅速准确。在决策上，模仿螳螂捕猎时的策略调整，使算法在搜索过程中能灵活平衡全局探索与局部开发。相较于传统算法，MSADBO收敛速度更快，搜索能力更强，在面对复杂优化问题时，能更高效地找到最优解，避免陷入局部最优，为优化变分模态提取参数提供有力支持。
2.2 变分模态提取（VME）
变分模态提取（VME）是一种强大的信号处理方法。其基本原理是将复杂信号分解为多个本征模态函数（IMF）。假设输入信号可分解为期望模态和残余信号，期望模态需紧密围绕其中心频率，且与残余信号的频谱重叠要尽可能小。通过构建变分框架，将信号分解问题转化为变分问题求解。VME能高效地从复杂信号中提取出关键特征，将原本混杂的信号分解为多个具有物理意义的独立分量，为后续故障诊断提供清晰的数据基础，便于从分解后的本征模态函数中准确识别故障特征。
2.3 稀疏最大谐波噪声比解卷积（SMHD）
稀疏最大谐波噪声比解卷积（SMHD）算法充分利用信号的稀疏性来提高信噪比。在实际信号中，故障特征往往以稀疏的谐波形式存在。SMHD算法通过优化滤波器，将信号中的稀疏谐波成分从强噪声背景中分离并增强。它能在没有先验周期的情况下，有效提取信号中的周期性脉冲故障分量。通过对信号进行解卷积处理，使得原本被噪声掩盖的故障特征得以凸显，为故障诊断提供更清晰、更准确的信号特征信息，便于后续进行故障识别与分析。
三、MSADBO优化VME参数的实现
3.1 VME参数优化的重要性
在机械故障诊断中，VME作为关键信号处理方法，其参数设置直接影响着故障特征提取的效果。VME的模态数K和惩罚系数α等参数，若设置不当，便会导致模态混叠或模态丢失等问题。
模态数K的确定尤为关键。若K设置过小，可能会出现模态混叠现象，使得多个本征模态函数（IMF）包含同一频率成分，导致故障特征无法准确分离；反之，若K设置过大，又会产生模态冗余，引入不必要的噪声和虚假信息，增加后续故障诊断的难度。惩罚系数α则用于控制分解过程中信号的平滑性和紧致性。α过大，会使信号过于平滑，导致部分故障特征被平滑掉；α过小，信号又可能过于粗糙，无法有效去除噪声干扰。
在实际应用中，这些参数的取值往往依赖于经验，缺乏客观标准，难以保证在不同工况和故障类型下都能达到最佳分解效果。因此，对VME参数进行优化，使其能够根据具体信号特性自适应调整，是提高故障诊断准确性和可靠性的重要环节。
3.2 MSADBO优化VME参数的方法
利用MSADBO优化VME参数，需先确定优化目标，即找到一个参数组合，使分解后的信号特征最符合故障诊断需求。包络熵是一种有效指标，能反映信号复杂度，理想状态下，每个IMF只包含一个物理成分，复杂度最低。
具体优化过程如下：
- 初始化参数。设置MSADBO算法的种群大小、最大迭代次数、生产者占比等参数，为算法运行奠定基础。
- 编码。将VME的模态数K和惩罚系数α进行编码，作为算法搜索的对象。编码方式可选择实数编码，便于算法操作。
- 适应度函数计算。以包络熵为适应度函数，对每个个体（即一组参数组合）进行评估。计算分解后各IMF的包络熵之和，值越小，说明参数组合越优。
- 模拟螳螂行为。算法中的个体如同螳螂，在搜索空间中寻找猎物（即最优参数组合）。通过感知和决策机制，个体根据适应度值调整搜索方向和步长，模仿螳螂捕猎时的策略，在全局探索和局部开发间平衡。
- 迭代更新。算法不断迭代，个体在搜索空间中移动，逐渐向最优解靠近。每一次迭代，都会产生新的参数组合，并通过适应度函数评估，筛选出更优的个体。
- 输出最优解。当迭代达到预设次数或满足其他终止条件时，算法停止，输出最优参数组合。此时，该参数组合下的VME能够更有效地提取信号中的故障特征，为后续诊断提供有力支持。
3.3 优化后VME的性能分析
优化后的VME在故障诊断中展现出诸多优势。以西储大学轴承故障数据为例进行分析，可从以下几个方面验证优化效果。
在特征提取准确性方面，优化后VME能将复杂振动信号精准分解为多个IMF，各IMF清晰反映了不同故障特征。例如在轴承内圈故障信号中，优化后VME能准确提取出内圈损伤引起的冲击脉冲成分，其频率与理论故障特征频率高度吻合，而未优化VME分解出的信号则可能存在特征模糊或遗漏的情况。
从抗噪性能来看，优化后VME在强噪声环境下依然能保持较好的故障特征提取能力。当信号信噪比降低时，未优化VME分解出的IMF中故障特征可能被噪声淹没，而优化后VME通过合理参数设置，能有效抑制噪声干扰，使故障特征依然明显。
在计算效率上，MSADBO优化过程虽增加一定计算量，但优化后VME在整体故障诊断流程中提高了特征提取速度。由于参数设置更合理，分解过程更高效，减少了不必要的计算和冗余信息处理，使得整个故障诊断流程在保证准确性的同时，耗时更短。
综合以上分析，优化后VME在故障诊断中能有效提升特征提取准确性、抗噪性能和计算效率，为准确识别机械故障提供了有力保障。
四、MSADBO-VME-SMHD方法的结合
4.1 VME与SMHD的结合方式
在故障诊断领域，VME与SMHD的结合堪称强强联手，发挥着互补作用。VME能够像一位精准的“分割大师”，将复杂信号巧妙分解为多个本征模态函数（IMF），把原本混杂在一起的不同频率成分清晰地分离出来，让信号中的故障特征初现端倪。然而，这些IMF中可能仍夹杂着噪声和其他干扰成分，使得故障特征不够突出。
此时，SMHD便作为一位出色的“强化专家”登场。它充分利用信号的稀疏特性，对VME分解得到的IMF进行解卷积处理。就像放大镜一般，将信号中的稀疏谐波成分从强噪声背景中分离并增强，使得原本可能被噪声掩盖的故障特征变得清晰可见。
两者结合的方式是，先利用VME对原始振动信号进行分解，得到多个IMF，然后针对每个IMF应用SMHD算法进行解卷积处理。这样一来，就能充分发挥VME在信号分解方面的优势和SMHD在提高信噪比、凸显故障特征方面的特长，共同为故障诊断提供更准确、更清晰的特征信息，让故障识别变得更加容易和可靠。
4.2 MSADBO对整个流程的优化
MSADBO在整个MSADBO-VME-SMHD流程中扮演着至关重要的优化角色。在VME参数优化环节，MSADBO凭借其强大的搜索能力和快速收敛速度，如同一位经验丰富的“寻宝者”，在复杂的参数空间中迅速找到最优参数组合。它通过模拟螳螂的感知和决策机制，精准捕捉到有利于故障特征提取的参数信息，灵活调整搜索策略，避免陷入局部最优，确保VME能够以最佳状态对信号进行分解。
在VME与SMHD的结合过程中，MSADBO也能发挥优化作用。它可以根据信号特性和故障诊断需求，对SMHD算法中的相关参数进行智能调整。比如在解卷积过程中，MSADBO可以帮助确定滤波器的最优参数，使得解卷积处理既能有效去除噪声，又能最大程度地保留和增强故障特征。
在整个故障诊断流程中，MSADBO就像一位高效的“调度员”，协调VME和SMHD的工作。通过优化参数和调整算法运行策略，使VME和SMHD的结合更加紧密、高效，从而提升诊断准确性，让故障诊断结果更加可靠，为及时发现和解决机械故障提供有力保障。
4.3 结合方法的优势分析
MSADBO-VME-SMHD方法在故障特征提取上优势显著。
从特征提取的准确性来看，VME先将复杂信号分解为多个IMF，使故障特征得以初步显现，再经SMHD对IMF进行解卷积处理，进一步增强故障特征。这种结合方式使得故障特征频率在频谱图中更加突出，与理论故障特征频率高度吻合，能准确识别出轴承内圈、外圈等不同部位的故障。
在抗噪性能方面，该方法表现出色。在强噪声环境下，VME能有效抑制部分噪声，SMHD则进一步从噪声中提取和增强故障特征，使得即使在信噪比很低的情况下，也能清晰地提取出故障信息。
计算效率上也有所提升。虽然MSADBO优化VME参数和SMHD处理会增加一定计算量，但整体流程通过合理优化，避免了不必要的冗余计算。在VME分解过程中，优化后的参数使得分解更高效，SMHD针对优化后IMF的解卷积处理也更为迅速，使得整个故障特征提取流程在保证准确性的同时，耗时更短，满足实时故障诊断的需求。
该方法还能适应不同工况和故障类型。MSADBO的智能优化能力使VME和SMHD参数能根据具体信号特性自适应调整，无论是在负载变化、转速不同的工况下，还是面对不同类型、程度的故障，都能有效提取故障特征，具有很强的通用性和实用性。
五、实验验证与分析
5.1 西储大学轴承故障数据介绍
西储大学轴承实验于2004年开展，旨在为故障诊断研究提供可靠数据。实验平台由2马力电动机、扭矩传感器/译码器、功率测试计及电子控制器组成。驱动端和风扇端分别采用SKF6205和SKF6203轴承。
实验利用电火花加工对滚动轴承的滚动体、内圈和外圈制造出单点故障，损伤直径有0.1778 mm、0.3556 mm、0.5334 mm三种。采样频率涵盖12KHz和48KHz，驱动端数据丰富，包含正常状态及不同损伤直径和类型的故障数据。
这些数据以Matlab的mat格式存储，每个文件包含风扇和驱动端振动数据，以及电机转速。文件命名清晰，如“12k_Drive”表示驱动端12KHz采样频率数据，“End”表示轴承位于电机非驱动端，“1”表示损伤直径为0.1778 mm，“DE”表示驱动端加速度数据等，为故障诊断研究提供了全面且规范的原始信号素材。
5.2 原始信号分析
对西储大学轴承故障原始信号进行时域分析，可观察到不同故障类型在时域波形上有明显差异。正常状态下，信号较为平稳，波动较小。当轴承出现故障，如内圈故障，时域波形会出现周期性的冲击脉冲，这些脉冲的幅度和频率与故障类型、损伤程度密切相关。轻故障时，冲击脉冲幅度较小，周期相对规律；重故障则脉冲幅度增大，周期可能因故障加剧而变得不太规律。
从频域角度看，利用傅里叶变换将时域信号转换为频域信号，能发现故障特征频率成分。在正常信号频谱中，主要为基频及其倍频成分，噪声分布较为均匀。当轴承出现故障，会在频谱中出现与故障特征频率对应的峰值。例如内圈故障，会在频谱中观察到内圈故障特征频率及其倍频的峰值。但原始信号中噪声干扰较大，这些故障特征频率峰值可能被噪声掩盖，难以准确识别，需要进一步的处理方法来提取故障特征。
通过对原始信号的时域和频域分析，可以初步判断信号中存在故障特征，但噪声干扰严重，故障特征不够清晰，为后续的信号处理方法应用提供了需求和方向。
5.3 MSADBO-VME识别分析
应用MSADBO-VME方法对西储大学轴承故障信号进行处理，能有效提取故障特征。
将原始信号输入经过MSADBO优化的VME中，VME会将复杂信号分解为多个IMF。以轴承内圈故障信号为例，分解后得到的IMF中，有的IMF清晰地反映了内圈损伤引起的冲击脉冲成分，其频率与理论内圈故障特征频率相吻合。在时域波形上，这些IMF的冲击脉冲周期性和规律性更加明显，与原始信号中模糊的冲击脉冲相比，故障特征更加突出。
观察IMF的频谱图，可以发现故障特征频率峰值更加显著。在未优化的VME分解结果中，可能存在模态混叠或模态丢失，导致故障特征频率峰值不明显或出现虚假峰值。而经过MSADBO优化后，VME参数设置更合理，分解出的IMF能准确反映故障特征，频谱图中故障特征频率峰值与理论值高度一致，且周围噪声干扰得到有效抑制。
通过对不同故障类型信号的分析，MSADBO-VME方法能准确识别出轴承内圈、外圈、滚动体等不同部位的故障。与原始信号相比，故障特征提取的准确性大幅提高，为故障诊断提供了有力依据。但信号中仍存在一定噪声，部分细微故障特征可能还不够清晰，有待进一步处理。
5.4 MSADBO-VME-SMHD识别分析
在MSADBO-VME基础上进一步结合SMHD方法，能显著改善信号质量，对诊断结果产生积极影响。
将MSADBO-VME分解得到的IMF输入SMHD算法中，利用信号的稀疏特性进行解卷积处理。SMHD就像一位“强化专家”，将IMF中的稀疏谐波成分从噪声背景中分离并增强，使得原本可能被噪声掩盖的细微故障特征变得清晰可见。
以轴承滚动体轻故障信号为例，在MSADBO-VME处理后的IMF中，轻故障引起的冲击脉冲特征虽然有所显现，但幅度较小，周期规律性不够明显。经过SMHD处理后，冲击脉冲幅度明显增大，周期规律性更加清晰，在时域波形上几乎可以一眼识别出故障特征。
在频域上，SMHD处理后的频谱图中，故障特征频率峰值更加突出，周围的噪声得到进一步抑制。原本可能被噪声干扰而难以识别的故障特征频率，在频谱图中清晰地呈现出来，与理论故障特征频率高度吻合。这使得故障诊断的准确性得到进一步提升，即使对于一些早期、轻微的故障，也能准确识别。
结合SMHD后，整个方法的抗噪性能和故障特征提取能力得到显著增强，信号质量明显改善，为准确判断轴承故障类型和程度提供了更可靠的依据。
5.5 方法对比与结果讨论
将本文所提MSADBO-VME-SMHD方法与传统方法、直VME方法、MSADBO-VME方法进行对比，可充分验证其有效性。
与特征提取和故障识别传统方法相比，如PCA+SVM、EMD+SVM等。PCA作为线性处理方法，在处理轴承故障这类非线性信号时能力不足，分类效果较低。EMD虽能自适应分解信号，但在处理复杂故障信号时容易出现模态混叠和端点效应问题，导致故障特征提取不准确。而本文方法利用VME有效分解信号，结合SMHD增强故障特征，在分类准确率和故障特征识别清晰度上都明显优于传统方法。
与直VME方法相比，未经过MSADBO优化的VME参数设置依赖经验，容易出现模态混叠或丢失等问题，导致故障特征提取不完整或不准确。而经过MSADBO优化后，VME参数更合理，故障特征提取效果更好。
相较于MSADBO-VME方法，虽然该方法已能有效提取故障特征，但结合SMHD后，进一步提升了抗噪性能和故障特征清晰度，使得对于一些早期、轻微故障的识别能力更强。
综合对比分析，MSADBO-VME-SMHD方法在故障诊断效果上具有明显优势，能更准确、更清晰地识别轴承故障，为机械故障诊断提供了更有效的手段。
六、结论与展望
6.1 研究总结
本文聚焦于机械故障诊断领域，针对传统方法存在的诸多局限，提出一种基于改进螂优化算法（MSADBO）优化变分模态提取（VME）结合稀疏最大谐波噪声比解卷积（SMHD）的新型故障诊断方法。详细阐述了MSADBO、VME和SMHD的基本原理与优势，明确VME参数优化的重要性及MSADBO优化VME参数的方法。通过西储大学轴承故障数据的实验验证，从原始信号分析、MSADBO-VME识别分析到MSADBO-VME-SMHD识别分析，层层深入，展示了所提方法在故障特征提取上的卓越性能。与传统方法及直VME方法、MSADBO-VME方法对比，进一步凸显其在故障诊断中的创新性与有效性，为机械故障诊断提供了新的思路与技术手段。
6.2 未来研究方向
本文研究虽取得一定成果，但仍存在局限。一方面，MSADBO优化VME参数及SMHD处理会增加计算量，在大规模数据应用时，计算效率问题需进一步优化。另一方面，该方法在复杂多故障并存情况下的诊断效果还有待验证。未来的研究方向可聚焦于算法效率提升，探索更高效的优化算法与并行计算技术，缩短诊断时间，满足实时性需求。还可深入研究多故障耦合情况下的特征提取与识别方法，提高方法在复杂工况下的适用性。此外，将该方法与更多新兴技术如人工智能、大数据等融合，开发智能故障诊断系统，实现故障的自动识别与预测，也是极具前景的研究方向。
