孟 宗, 吕 蒙, 殷 娜, 李 晶

(燕山大学 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004)

1 引 言

滚动轴承在各种旋转机械中应用广泛,其运行状态往往影响整台机器的性能,对滚动轴承进行状态监测以及故障诊断具有重要意义。当轴承发生损伤时,其振动信号表现为非线性、非平稳、非高斯特征,且信号微弱、调制性强、背景噪声大,使故障特征淹没在强背景噪声中,难以提取[1,2]。目前常见的非线性非平稳处理方法有:经验模态分解(empirical mode decomposition,EMD)、局部均值分解(local mean decomposition,LMD)等。以上方法在轴承故障信号处理中都得到了良好的效果[3],但也有各自的局限性。EMD分解缺乏严格的数学基础,容易产生模态混叠、端点效应[4],并且存在算法效率低等问题;LMD分解存在迭代计算量大、由解调引起的信号突变等问题[5]。变分模态分解(variational mode decomposition,VMD)是最近提出的一种信号分解方法,该方法具有较好的抗噪性和更高的频域分辨力,能够提取出较微弱的信号成分[6]。然而VMD分解必须提前设定分解层数,层数设置不当会引起模态混叠或者大量虚假分量的产生[7]。文献[8]使用蛙跳算法搜索VMD算法的最优参数,文献[9]通过粒子群算法搜索VMD分解的最佳参数,以上方法都以包络熵作为判断标准。这些方法不但计算繁琐,其效果在很大程度上受到优化算法的参数设定的影响,并且没有足够的理论依据。

本文利用改进的奇异值分解(singular value decomposition, SVD)对故障信号降噪[10～12],通过奇异值平均下降速度法确定有效奇异值个数;并通过能量占比确定VMD分解的最佳分解层数,将根据相关系数判断为分解自同一调频部分的分量信号作为一个整体处理,最后对分解得到的IMF分量进行包络解调提取故障特征,判断故障类型。……