张 琛, 赵荣珍, 邓林峰

(兰州理工大学 机电工程学院，兰州 730050)

滚动轴承是应用最为广泛但极易损坏的零件之一。据统计，在使用滚动轴承的旋转机械中，大约30%的机械故障都是由轴承引起的，因此对轴承早期失效的微弱故障特征提取问题开展研究工作是故障诊断领域的一个研究热点和难点问题，对滚动轴承故障诊断技术的发展具有重要的工程与科学意义。在实际工程应用中，复杂振动传输路径及严重环境噪声干扰等因素使得轴承早期微弱故障识别相对比较困难。因此，如何从滚动轴承的振动信号中提取微弱故障特征并辨识出故障类型是滚动轴承故障诊断的关键所在[1-2]。

经验模态分解(Empirical Mode Decomposition，EMD)在处理非线性、非平稳信号上具有明显的优势，但该算法存在着端点效应和模态混叠现象[3]。为此，Wu等[4]在EMD方法的基础上提出集合经验模态分解方法(Ensemble Empirical Mode Decomposition，EEMD)对模态混叠现象进行抑制，但其迭代次数大幅增加计算量，并且分解获得的模态分量超出原始信号组成的分量，同时也受到采样频率的影响，当频率比为奇数分之一时，经过多次迭代后的分解误差较大[5]。对此，Dragomiretskiy等[6]于2014年提出一种基于变分模态分解VMD(Variational Mode Decomposition)的方法。它将信号分量的获取过程转为变分求解问题，采用交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，实现原始信号的分解。同EMD和EEMD方法相比，VMD具有以下优点[7-8]：①VMD分解经多个自适应维纳滤波，具有更好的噪声稳健性；……