马增强， 张俊甲， 张 安， 阮婉莹

(石家庄铁道大学 电气与电子工程学院，石家庄 050043)

滚动轴承作为旋转机械中应用最广的关键零部件，其工作状态直接影响机械系统的运行效率及使用寿命,因此，对轴承的故障诊断有重要意义和应用价值。

时频分析方法能提取振动信号时域和频域的局部信息，在滚动轴承故障诊断中有着广泛的应用。典型的时频分布有小波变换、短时Fourier变换、Wigner-Ville分布等[1-2]，但是这些方法都存在着各自的局限性，Yan等[3-4]提出了一种新的时频分析方法——频率切片小波变换(Frequency Sliced Wavelet Transform, FSWT)方法。FSWT通过引入频率切片函数使傅里叶变换具有实现时频分析的功能，能灵活地实现信号的滤波与分割。钟先友等[5]采用形态自相关对信号进行降噪，应用FSWT进行细化分析提取轴承故障特征。段晨东等[6]将FSWT应用到发电机组故障特征提取上，并取得了较好的效果；周福成等[7]将奇异值分解结合FSWT应用到齿轮故障特征提取上，实现了齿轮运行状态的准确判别。研究发现，轴承振动信号中的噪声会降低FSWT的频率分辨率，当信号的信噪比较低时，FSWT不能有效地提取出故障特征，受环境噪声及信号传递路径的影响，滚动轴承故障特征相对于强背景噪声往往表现得非常微弱且通常以调制形式出现难以提取故障特征，因此，对滚动轴承振动信号进行FSWT分析前进行降噪。变分模态分解(Variational Mode Decomposition, VMD)[8]是一种自适应信号分解方法，其实质相当于带通滤波，能有效拾取故障频带，相比于EMD分解，VMD有效克服了EMD所存在的端点效应和模态混叠等现象[9]。……