基于多重降噪的滚动轴承声信号故障特征提取

王涛，胡定玉，廖爱华，师蔚，丁亚琦，陶涛

（1.上海工程技术大学 城市轨道交通学院，上海 201620；2.上海地铁维护保障有限公司车辆分公司，上海 200235）

滚动轴承作为旋转机械体传动过程中用以降低摩擦系数和固定中心位置的部件，在工业中扮演着极为重要的角色。轴承的工作状态直接影响整个系统的可靠性，对轴承的运行状态进行检测对于旋转系统的安全运行十分必要[1-2]。

轴承在运行过程中，产生振动的同时会激发声信号。当轴承发生故障时，声信号会携带大量的故障信息，相较于振动信号，声信号非接触式的采集更加适用于苛刻的检测环境，但也正因为非接触式的采集，故障信息经常会淹没在环境噪声和其他系统噪声中，相对于振动信号，对声信号的分析更加困难。

对轴承声信号进行分解，再对分量进行分析，是故障诊断的常用方法。局部尺度分解(Local characteristic scale decomposition，LCD)是在经验模式分解的基础上发展而来的一种自适应分解方法，该方法继承了经验模式分解的优点，在计算过程中仅采用一次三次样条拟合，计算速度快，并且在端点问题和模态混叠方面均优于经验模式分解[3]。程军圣等[4]最早将LCD运用于齿轮的故障诊断中，具有一定的效果，但需要对每个分量进行包络分析；曾鸣等[5]提取包含主要信息的内禀尺度分量(Intrinsic mode components，ISC)作为特征向量输入到分类器，有效提取出故障特征信息，但对噪声较为敏感。虽然LCD在故障诊断中具有一定的优势，但分解出的ISC分量仍然是信号和传递路径卷积的结果，分量中包含明显的噪声，需要对接收信号进行预处理[6]。……