基于LMD和MOMEDA的滚动轴承早期故障特征提取研究*

金 京，刘 畅，兰雨涛，王衍学*

(1.北京建筑大学 机电与车辆工程学院，北京 100044；2.北京建筑大学 城市轨道交通服役性能保障北京市重点实验室，北京 100044)

0 引 言

滚动轴承是旋转机械中使用最频繁、最易受影响的关键部件之一[1]。大约1/3的旋转机械故障是由轴承故障造成的[2]。因此，轴承早期故障诊断对于提高企业经济效益及保障安全生产具有重大的意义。

轴承部件发生故障会引起轴承其他部位的振动导致系统运行不平稳。由于外部噪声、接收距离长短、传感器工作条件等影响，使得滚动轴承早期故障特征被湮没在强背景噪声中[3]。

多年以来，科研工作者致力于开发有关早期微弱故障诊断技术，来保证旋转机械的运行安全性与稳定性[4]。传统的小波变换(WT)、经验模态分解(EMD)、变分模态分解(VMD)，以及近年从其他领域引入的稀疏分解、张量分解[5]等方法被广泛应用于滚动轴承的早期故障诊断中。

故障特征提取实际就是对信号进行最优滤波，提取出明显的周期性冲击分量。最小熵解卷积(MED)这一理论，最早由RALPH A W[6]在1978年提出。ENDO H等人[7]首先将MED应用于旋转机械的故障诊断，将基于自回归(AR)模型的滤波和MED技术应用于齿轮故障检测。为了能够准确提出滚动轴承的故障特征，SAWALHI N等人[8]提出了一种利用MED技术增强光谱峰度监测能力的算法，并最先应用于轴承的故障诊断中。

由于MED的迭代方法复杂，并且选择全局最优滤波器较为费时。2012年，GEOFF L M等人[9]在相关峰度的基础上，提出了最大相关峰度解卷积(MCKD)，它可以对单独的故障时段进行反卷积，并提取出故障特征。……