SE-KSD 优化的FRFT-VMD 轴承故障诊断方法

韦明辉 , ，江丽霞 , ，涂凤秒 , ，姜蓬勃 ,

（1.西南石油大学 机电工程学院，成都 610500；2.石油天然气装备技术四川省科技资源共享服务平台，成都 610500）

滚动轴承对机车等旋转器械是不可或缺的重要部件之一，但由于其工作环境致使其具有易损坏的特点，而滚动轴承的运行状况对于设备有着巨大影响，任何一个小故障都可能影响设备的正常运行从而给国家以及人民带来巨大损失。若能在滚动轴承失效之前便对其进行故障诊断，不仅能最大限度减少损失，还能降低设备的维修成本[1]。因此，对滚动轴承进行故障诊断具有必要性。然而，采集到的滚动轴承故障信号常混有大量干扰信号，使得所采集到的信号具有非平稳、非线性等特点。由于干扰信号的存在，导致在进行故障诊断时，无法从中快速辨别故障特征信号，使故障诊断的难度上升，时间增加。如何从这些信号中提取所需的故障特征信息成为许多学者研究的问题[2]。

Huang 等[3]提出了经验模态分解方法（Empirical mode decomposition，EMD），该方法根据信号在时间尺度上的局部特征结构，自适应地提取反应信号本质特征的固有模态分量，可该算法缺少理论支撑，会出现端点效应和模态混叠现象影响信号处理结果。吴振华等[4]将噪声辅助信号分析方法引入到EMD中，提出了集成经验模态分解（EEMD），虽然该方法在抑制模态混叠方面起到了一定作用，可效果不彻底，且会产生多个虚假分量，而且噪声的加入会导致重构误差增加。Dragomiretskiy 等[5]提出了变分模态分解（Variational mode decomposition，VMD），一种全新的非递归自适应信号处理方法，近年来，该方法成为了一个研究热点，但都只是在整数域上的改进。……