姜婷，高舒芳

(山西交通职业技术学院，山西 太原 030002)

发动机缸盖振动信号中含有丰富的故障特征信息，但是由于干扰噪声较大，多分量信号耦合及模态混叠，导致信号中的故障信息被覆盖，难以提取微弱的故障特征。近年来，很多学者采用多分量分解的方法对原始振动信号进行分解，然后对分解后的信号分量进行频率分析和特征提取。EMD，LMD和LCD等信号分解方法，可将非平稳的信号分解为不同时间尺度的信号分量，在振动信号分解中得到了广泛的应用。但是，上述方法存在较大模态混叠和端点效应，且当信号受到噪声污染时，分解误差较大[1-3]。Konstantin[4]等于2014年提出了的一种新的自适应信号处理方法——变分模态分解(Variational Mode Decomposition，VMD)，通过引入变分模型实现信号的最优化分解，比EMD，LMD和LCD等方法具有更好的鲁棒性和分解效果。然而，VMD仍存在一定程度的端点效应问题，目前主要采用端点延拓的方法进行优化，并取得了一定效果[5]。

对发动机缸盖振动信号分解后，如何利用各个分量提取故障特征是实现发动机故障诊断的关键。近年来，基于非线性动力学参数的特征提取方法引起了人们的关注，如分形维数可有效表征复杂信号的自相似性和无测度性，被广泛地应用于混沌序列、机械信号等的分析处理，为复杂非线性信号分析提供了新的途径[6-7]。目前，常用的分形维数估计方法主要有盒计数法(BC)、去趋势波动分析(DFA)和形态学覆盖法(MC)等。上述传统的分形维数估计方法存在一些不足，如BC方法有时会出现过计数或欠计数的现象，DFA方法中去趋势项对估计的分形维数会造成一定的影响[8]。……