岑立，钟先友

基于粒子群优化时变滤波经验模态分解的轴承故障诊断

岑立，钟先友

（三峡大学 机械与动力学院，湖北 宜昌 443002）

时变滤波经验模态分解（TVFEMD）的性能在很大程度上取决于其参数（即带宽阈值和B样条阶数）的选取。在应用TVFEMD诊断轴承故障时，参数需要预先人为设定，因此难以获得令人满意的分解结果。针对此情况，本文提出了一种基于粒子群优化时变滤波经验模态分解的轴承故障诊断方法。首先利用粒子群算法来搜索最佳参数组合；然后使用得到的最佳参数组合对轴承故障信号进行TVFEMD分解，得到一组本征模态函数（IMF）；最后选取包络谱故障特征能量比最大的IMF分量进行包络解调分析，提取故障特征，进行故障诊断。轴承故障诊断实例结果表明该方法不仅优化了TVFEMD两个参数，获得了良好分解效果，而且能够准确的提取轴承故障特征信息，实现轴承故障的有效诊断。

滚动轴承；粒子群；时变滤波经验模态分解；参数优化；故障诊断

滚动轴承是机械传动系统中的关键零部件之一，其好坏直接影响机器运行。据统计，约30%的旋转机械故障是由轴承故障导致的[1-2]。因此，滚动轴承的故障诊断和状态监测具有重要的理论意义和价值，是国内外热门的研究课题之一。

Huang等[3-4]提出的经验模态分解（EMD，Empirical Mode Decomposition）是一种可以将信号分解为一组本征模态函数（IMF，Intrinsic Mode Functions）的自适应分解方法，但模态混叠问题会导致该方法分解得到的一些IMF分量没有任何物理意义。一些学者……