基于多尺度局部二值模式的滚动轴承故障诊断*

王明罡，周 坪，蔡志雄，尹旭晔，李颖杰

(1.浙江中自庆安新能源技术有限公司，杭州 310000；2.中国矿业大学机电工程学院，徐州 221116；3.国家电投集团湖北新能源有限公司，武汉 430074)

0 引言

旋转机械是现代社会工业自动化生产中最常用的机械设备之一，而轴承作为旋转设备的核心部件，其健康状况直接影响着机械设备的稳定性与安全性。据统计，超过一半的机械故障都是由轴承所引起[1]，因此为了保证生产效率与生产安全，必须在不中断设备运行的情况下，准确识别轴承存在的故障[2]。

由于旋转机械的振动信号具有非平稳、非线性的特点，并且大部分旋转机械的工作环境都伴随大量噪声，导致从振动信号中提取轴承的故障特征变得更加困难[3]。经验模态分解(empirical mode decomposition，EMD)是一种有效的自适应信号处理方法，通过将信号分成不同的IMF获得更多包含在信号中的信息，被广泛应用在生物医学、通信和故障诊断等领域[4-6]。虽然EMD可以有效的对非线性信号进行处理，但是由于在对信号进行分解时过分依赖对载波包络线的插值过程，所以其自身存在很强的模态混叠和端点效应的问题。为了解决上述问题，DRAGOMIRETSKIY等[7]提出一种变分模态分解的方法，通过非递归的方式对信号进行分解，解决了EMD中存在的端点效应和模态混叠问题，目前已经被广泛应用于故障诊断领域。徐统等[8]使用VMD对振动信号进行分解，将每个IMF瞬时能量组成的特征向量作为轴承故障特征，最后使用GA-RBF神经网络进行特征分类，得到了较为准确的诊断结果；……