季云健， 黄国勇， 黄刚劲

(昆明理工大学 信息工程与自动化学院， 云南 昆明 650500；云南省矿物管道输送工程技术研究中心， 云南 昆明 650500)

滚动轴承是旋转机械设备中最重要的元件之一，机械部件的故障很大程度上是由轴承故障所引起的[1]。轴承从正常运转到发生故障的过程实质上是一个渐变的过程，故障发生的初期往往故障特征不明显且易被噪声淹没而不易被发现，加之不同故障类型有一定的相似度，导致提取到的特征具有模糊性，直接通过提取到的特征进行故障类型识别的准确率较低。鉴于此，如何在复杂的工业生产环境下对滚动轴承类型进行准确的分类与识别，具有十分重要的工程研究价值。

Huang等[2]通过经验模态分解(Empirical Mode Decomposition，EMD)方法对信号自适应分解，得到一系列频率成分由高到低的固有模态(Intrinsic Mode Function，IMF)分量,并得到了广泛应用，但在分解的过程中会存在端点效应和模态混叠现象。针对此问题，Wu等[3]通过高斯白噪声均匀分布的统计特性提出了总体经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)，有效地抑制了模态混叠现象，但人为添加的白噪声不能完全中和，会存在虚假分量，进而导致故障诊断的误判。在此基础上，Gang Y等[4]提出了变模式分解(Variational Mode Decomposition，VMD)，较大程度地减少了EEMD重构信号中的残余白噪声。胥永刚等[5]通过双树复小波包变换结合支持向量机(Support Vector Machine，SVM)对滚动轴承故障振动信号进行故障诊断。任学平等[6]提出了小波包最优熵结合相关向量机的故障诊断方法。胡荣华等[7]提出经验模式分解与改进的免疫参数自适应支持向量机相结合的滚动轴承故障智能诊断方法。……