基于MCKD和VMD关联维数的轴承故障特征提取AR模型*

申 童，刘复秋宣，高学亮，岳晓峰

（长春工业大学机电工程学院，长春 130012）

0 引言

滚动轴承广泛应用于旋转机械设备中，其运行状态直接影响设备的性能和安全。据统计，引起旋转机械故障的原因中，滚动轴承所占比重在70%以上[1]。受限于工作环境，振动测试传感器采集到的冲击成分往往比较微弱，导致滚动轴承早期故障特征淹没在噪声中，难以被准确提取和识别。因此，滚动轴承早期故障诊断一直是研究的重点和难点[2－4]。

针对上述问题，常用的时频分析方法有经验模态分解（Empirical Mode Decomposition，EMD）、总体平均经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）、局部经验模态分解（Local Mode Decomposi⁃tion，LMD）等。徐卓飞等[5]把EMD和主成分分析相结合，利用统计学特性，分析了振动信号时域特征和故障模式之间关系；董文智等[6]提出了EEMD能量熵和支持向量机相结合的方法，通过计算能量熵值判断是否发生故障，并把特征向量输入到支持向量机中，有效地进行了轴承故障分类；张淑清等[7]提出了LMD近似熵和模糊C结合的方法，通过近似熵值做特征提取向量，并用FCM模糊聚类对故障进行准确识别分类。虽然这些方法能为轴承故障诊断特征提取提供一定的参考，但EMD存在着端点效应、算法效率低的问题，EEMD虽有所改善，仍摆脱不了计算效率差、模态混叠的状况，LMD存在着统计偏移和最佳结构元素选择问题[8]。这些问题都影响了对轴承故障特征准确度的辨识。2014年Dragomiretskiy等[9]提出一种自适应的信号处理方法——变分模态分解（Variational Mode Decomposition，VMD），该方法将信号分量的获取过程转移到变分框架内，采用一种非递归的处理策略，通过构造并求解约束变分问题实现对原始信号的分解，具有坚实的数学理论基础。……