基于噪声信号和改进VMD的滚动轴承故障诊断

王琇峰，文 俊

(西安交通大学 机械工程学院，西安710049)

滚动轴承是旋转机械中重要的零部件之一，其发生故障后容易导致整个设备停机，因此对滚动轴承状态进行监测诊断显得尤为重要[1]。声音传感器由于成本低、采用无接触式信号采集，可以同时监测多个轴承，具有很好的发展前景，但声信号相比振动信号而言有用信号更微弱，噪声也更强，所以对于声信号中的故障特征提取方法提出了更高的要求[2]。当滚动轴承发生局部故障时，其信号会产生周期性冲击信号，但由于受到设备运行环境和传递路径的影响，信号信噪比低，故障特征提取困难，传统的小波，经验模态分解等基于时频分析的方法很难有效地对故障进行诊断[3]。

变分模态分解[4]是一种新的信号分解方法，与传统方法经验模态分解（EMD）相比既拥有EMD 分解可将非平稳、非线性信号分解为若干个单分量IMF信号的优良特点，又克服了EMD存在的模态混叠和过包络等缺点[5-6]。然而VMD 包含的两个关键参数：模态个数k和惩罚因子α，需要人为确定。王显波等和易灿灿等[7-8]采用粒子群算法自适应选择参数，虽然可以获得合适的参数值，但需要进行大量的迭代试验，这降低了计算效率。济建连等[9]提出了一种自适应VMD方法，其主要根据固有模式函数的特点自动确定模式数，但是算法很复杂。刘世凯等[10]介绍了互信息的准则可以自适应地确定VMD 中的模态个数，但是该方法忽略信号分量的特性，很容易导致过度分解。……