基于参数优化的MCKD的滚动轴承早期故障诊断

潘昕怡，岳建海

(北京交通大学 机械与电子控制工程学院，北京100044)

滚动轴承是旋转机械的关键零部件，以振动信号为基础的诊断方法，常用于滚动轴承的故障的检测[1]。当滚动轴承出现早期故障时，由于受到工作环境噪声干扰、振动传输路径复杂多变以及信号衰减等因素的影响，故障冲击信号特征一般十分微弱，因此对于滚动轴承早期故障特征的识别和提取十分困难。为了准确、有效地提取故障特征，需要降低故障信号噪声，突出信号中的冲击成分。

近年来，不少学者针对此问题进行了研究。苏文胜等[2]针对谱峭度法对滚动轴承早期故障诊断效果不明显的问题，提出了基于经验模态分解(Empirical Mode Decomposition，EMD)降噪与谱峭度法结合的方法，实现了滚动轴承早期故障诊断。马伦等[3]利用最小Shannon熵优化的Morlet小波，结合Morlet小波的降噪原理为滚动轴承早期故障诊断提供了新方法。马增强等[4]将变分模态分解(Variational Mode Decomposition，VMD)与Teager 能量算子相结合，实现了轴承故障的精确诊断。

Donald 等[5]在最小解卷积的基础上提出了最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution，MCKD)，其以相关峭度最大化作为评价指标，通过迭代突出信号中的脉冲冲击成分。文献[6]将经最大相关峭度解卷积后的信号与1.5维谱相结合判断故障类型，有效地提取了早期故障。文献[7]利用VMD对经MCKD增强后的信号进行重构，重构后的信号经包络解调后可有效地提取故障特征频率。

但MCKD 算法的移位数及滤波器长度均依靠人为选取，其准确性及适用性无法得到保证。……