基于变分模态分解和奇异值差分谱的轴承故障诊断方法

王 强, 孙 娜

(宁夏理工学院 机械工程学院，宁夏 石嘴山 753000,E-mail:wq_nxlg@163.com)

轴承在机械传动系统中的应用十分广泛，如果它出现故障，会对整个机械传动系统造成巨大的影响，因此，实时的监测其状态并较早的发现它存在的故障，对于实现机械传动系统连续可靠运行具有重要的意识[1-2]。但是，轴承所处的工况往往都比较复杂，采集得到的其运行状态振动信号中一般都包含有大量的噪声，如何减小这些噪声的干扰，从信号中有效的提取出轴承的故障特征频率是目前研究的一个重点[3-4]。

变分模态分解(variational modal decomposition, VMD)[5]是一种新的信号分解方法，它于2014年被首次提出，随后，很对学者对其信号分解性能进行了研究，并在机械故障诊断领域进行了大量的应用。在柴油机故障诊断方面，江志农等[6]将VMD和SVD结合，进行了柴油机气门间隙异常故障的特征提取研究；乔新勇等[7]在VMD分解的基础上，提出多尺度散布熵的概念，由此进行柴油机的故障诊断。在齿轮故障诊断方面，张永鑫等[8]通过对VMD分解得到的分量信号进行Choi-Williams时频分析，获得了齿轮典型故障的特征频率；徐飞等[9]将VMD、样本熵以及SSAE三者结合，提高了齿轮故障诊断的精度。在轴承故障诊断方面，许子非等[10]在对VMD参数进行优化后，将提取的轴承故障特征进行支持向量机识别；高文英等[11]将VMD和TEO能量算子结合，有效提取出了的滚动轴承典型故障的特征频率；段永彬等[12]针对轴承退化状态识别问题，建立了VMD分解谱熵特征集，有效地对轴承退化状态进行了表征。……