MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

张 氢， 江伟哲， 李 恒

(同济大学 机械与能源工程学院， 上海 201804)

滚动轴承作为机械设备的重要传动部件，其工作状况对设备产生极大的影响。 滚动轴承的故障往往会降低设备的可靠性和精度，不仅影响生产，减少设备寿命，甚至会造成事故。 目前，滚动轴承的故障诊断研究集中在故障特征提取和故障模式识别，这是实现滚动轴承智能状态检测与诊断的核心技术，其主要研究对象为滚动轴承的振动信号。 当滚动轴承存在局部损坏时会产生周期性冲击，轴承的故障信息则隐含在冲击信号的频率特征中。 然而，滚动轴承的工作环境一般较为复杂，受工作环境影响，实际采集到的振动信号通常会被淹没在噪声中; 因此如何从强背景噪声中提取故障特征是进行轴承故障诊断的重点。 在损伤故障发生的初期，强噪声淹没下的微弱故障特征的提取和识别是防止故障恶化和加强故障诊断及时性的关键。

文献[1]提出变分模态分解(VMD)与最大相关峭度解卷积(MCKD)相结合的方法；文献[2]提出了基于最优参数MCKD与总体局部均值分解方法相结合的轴承复合故障诊断方法，皆证明了MCKD算法在提取噪声中的周期成分时具有显著的优势。 但MCKD的降噪能力有限，尤其在故障产生早期，且信噪比较低的情况下效果并不理想，需要增强故障的瞬态特征。 文献[3-4]通过计算重构信号的Teager能量谱来突出故障冲击特征，基于Teager能量算子对瞬态特征的有效分析实现了良好的去噪效果。……