闫佳瑛，朱希安

(北京信息科技大学 信息与通信工程学院，北京 100101)

0 引言

滚动轴承是电机设备中最常用的部件，其运行状态对机械电机的稳定性和寿命有直接的影响[1-2]。电机设备长期处于复杂的工作环境下，其轴承故障信号普遍呈现线性平稳的特点，难以充分提取故障信号的特征，导致电机轴承故障的识别准确率不高。因此，如何快速高效地提取出故障信号的特征，进而精准识别电机轴承故障的状态，一直是国内外学者关注的问题。

一般的研究思路是，通过各种方法对振动信号的故障特征进行提取，然后构建模型对故障特征进行学习分析，进而对故障进行精准的分类识别。来凌红等[3]通过将经验模态分解(empirical mode decomposition,EMD)和样本熵结合的方法对滚动轴承故障进行诊断，但EMD方法存在模态混叠现象。文献[4-5]提出了一种变分模态分解(variational mode decomposition,VMD)方法，该方法具有一定的自适应性，能够将信号从不同频段分离并提取出有效成分，有效解决了EMD方法产生的模态混叠现象。机器学习在故障识别领域也应用广泛，张优云等[7]采用集成支持向量机(support vector machines,SVM)的方法对滚动轴承故障智能诊断进行研究，但该方法存在核函数难以确定且对弱故障特征难以识别的问题。付华等[8]提出组合核相关向量机的方法，虽然改进了SVM存在的问题，但在解决多分类问题时，存在累积误差、结构十分复杂的问题。

本文为充分提取故障信号识别特征将VMD与CNN相结合。通过VMD方法分解原始信号得到模态向量(intrinsic mode function,IMF)，达到扩大信号识别特征的目的；……