付艺华 李 亚 朱建府

（昆明理工大学信息工程与自动化学院）

随着我国高铁技术的快速发展，大型轨道维护机械设备必须建立完善的故障诊断系统，才能达到国家铁路装备更新发展的整体要求。 滚动轴承作为大型轨道维护机械设备的精密元件，对其振动信号的故障诊断研究具有重要的理论价值和现实意义。

在故障诊断应用中，人工智能的全面发展突飞猛进，其中包括神经网络、支持向量机等算法。神经网络相较于支持向量机存在收敛速度慢、计算复杂等问题，而支持向量机中，核函数的选择、正则化因子和模型参数的选择十分困难，需要人为地不断尝试，影响了故障诊断的性能。 由于贝叶斯推断方法在解决参数问题上具有一定的优势， 因此采用贝叶斯3层推断选择最小二乘支持向量机 （Least Squares Support Vector Machine，LSSVM）参数（γ，σ），可以获得最优参数模型［1］。

在此，笔者以滚动轴承作为研究对象，采用变分模态分解 （Variational Mode Decomposition，VMD）方式进行故障信号的特征提取，通过贝叶斯3层推断理论方法获得贝叶斯算法优化的最小二乘支持向量机（Bayesian-LSSVM）参数（γ，σ），从而得到最优故障类型模式识别模型［2］，最终找到最适合滚动轴承故障诊断的方法。

1 变分模态分解

2014年，Dragomiretskiy K和Zosso D首次提出了VMD［3］，VMD是一种非递归模式信号分解方法［4］。 该方法可有效寻找变分模型最优解从而实现信号的分解，同时为了实现各个变量的有效分离和信号的时域、频域剖分，可以通过获得的最优解确定每个分量的频率中心和带宽［5］。

1.1 变分模态分解原理

实际上，解决变分问题的过程就是变分模态的分解过程，能够对信号完全分解，不存在模态混叠现象。……