金江涛，许子非，李 春,2，缪维跑

(1．上海理工大学 能源与动力工程学院，上海 200093；2．上海市动力工程多相流动与传热重点实验室，上海 200093)

滚动轴承是旋转机械中最易受损的零部件之一，因此对滚动轴承进行有效的故障诊断已成为研究热点[1]。目前，数据采集、特征提取和状态分类组成了传统故障诊断的框架。其中，特征提取的准确性和状态分类方法的可靠性会直接影响故障诊断方法的性能。为在噪声和变负载环境中提取更具代表性的故障特征，应采用精准合理的特征提取方法，这是实现故障诊断的关键[2]。

经验模态分解(EMD)、集成经验模态分解(EEMD)和变分模态分解(VMD)等时频分解算法已成功应用于轴承故障特征的提取[3]。EMD作为一种自适应信号分解算法，可对具有复杂模式的振动信号进行解耦，以实现故障特征提取，但由于包络极值点误差的积累会导致端点效应和模态混叠现象，严重影响了所提取特征的准确性和可靠性。EEMD算法由于引入了高斯白噪声，可削弱模态混叠现象，但剩余噪声易增大信号重构误差，从而影响故障特征提取的可靠性。Dragomiretskiy等[4]提出的VMD算法改善了端点效应和模态混叠现象，从而保障了故障特征提取的有效性。李华等[5]采用VMD算法和包络解调分析方法实现对滚动轴承故障特征的准确提取，研究表明基于VMD算法提取的信号具有更高的信噪比。Jiang等[6]通过优化初始中心频率的求解方法，证明VMD算法在提取旋转机械早期微弱的故障特征方面较EMD算法更有效。……