宋坤骏， 丁建明， 林建辉

(西南交通大学　牵引动力国家重点实验室， 成都 610031)

滚动轴承作为机械设备中常见且高故障率的部件，其状态的及时监测和故障的准确诊断具有十分重要的意义。当前振动信号故障特征提取手法有很多，包括快速傅里叶变换，小波变换，Wigner-Ville分布，由Huang等人[1]提出的经验模态分解(EMD)和Dragomiretskiy等人[2]提出的变分模态分解(VMD)等。就EMD和VMD两者的特点而言，EMD算法因为缺乏坚实的数学基础面临着模态混叠，端点效应等问题。VMD算法源自严格的数学推导，基本消除了模态混叠现象，同时由于VMD可看成一组自适应的维纳滤波器，因而对噪声具有较高的鲁棒性。VMD在实际工程应用中面临的主要问题在于算法参数的选取。针对这一问题，文献[3]提出了以去噪后的信噪比和均方差为优化目标采用遗传算法优化VMD参数。文献[4]提出了以模态分量的包络熵值最小化为优化目标采用遗传算法优化VMD参数。上述两种优化方法均从信号预处理的角度出发，没有结合分类算法，而参数选择对于分类算法的效果实际上也有很大影响，典型例子当属支持向量机(SVM)。文献[5]采用差分进化算法通过最小化SVM在验证集上的泛化误差优化SVM的参数，该方法的特点是原理较为简单，优化结果准确，缺点是计算量偏大。文献[6]为减小计算量，提出了基于Fisher准则和最大熵原理的SVM核参数选取方法。文中借鉴其思想并加以提升，提出了以改进的核空间多类别Fisher准则为优化目标，优化小波核极限学习机的核参数ω和a。……