基于信息熵优化变分模态分解的滚动轴承故障特征提取

李 华, 伍 星, 刘 韬, 陈 庆

(昆明理工大学 云南省高校振动与噪声重点实验室，昆明 650500)

轴承是机械传动系统的核心部件[1]，其故障是造成机械故障的重要原因之一。因此，对轴承的状态监测与故障诊断一直是机械设备故障诊断的热点[2]。

当滚动轴承发生故障时，其振动信号包含了大量的运行状态信息，表现为非平稳性和多分量性的调制信号，特别在故障早期，由于调制源弱，早期故障特征通常很微弱，并且受周围设备、环境的噪声干扰，导致早期故障特征频率难以提取、识别[3-4]。

故障诊断的关键是从原始信号中提取故障特征信号(故障特征频率)。Huang等[5]提出了经验模式分解，此方法具有自适应分解特性，对非平稳和非线性信号的处理具有较高的效率。因此，基于EMD(Empirical Mode Decomposition)的故障诊断方法层出不穷。但EMD存在模态混叠、端点效应、受采样频率影响较大等不足[6-7]。基于此，Dragomiretskiy等[8]提出了一种自适应信号处理新方法—变分模态分解(Variational Mode Decomposition,VMD)，该方法通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽，相比于EMD，VMD将信号分解转化为非递归、变分模态分解模式并且具有坚实的理论基础，有效地弥补了EMD、EEMD(Emsemble EMD)等的不足。很多学者已将VMD应用于轴承故障诊断研究。Mohanty等[9]将VMD引入轴承故障诊断，并取得了比EMD更好的效果。刘长良等[10]提出了基于变分模态分解的故障特征提取方法，利用观察中心频率的方法确定模态个数，并采用模糊C均值聚类进行故障识别。赵洪山等[11]提出了基于变分模态分解和奇异值分解的故障特征提取方法，利用峭度指标选取敏感IMF(Intrinsic Mode Function)，对选取的IMF进行奇异值分解重构，取得良好效果。……