何 勇，王 红，谷 穗

(兰州交通大学 机电工程学院，兰州 730070)

滚动轴承作为机械传动系统的核心部件，能否及时发现轴承故障并确定其故障类型，进而采取必要的手段进行维护，对实现传动系统的安全运行、提高企业生产效益来说具有重要的现实意义。

Huang等[1]提出了一种自适应的信号处理方法——经验模态分解(empirical mode decomposition ，EMD)，该方法一经提出便在非平稳信号处理方面得到了广泛应用。但其分解效果在信号背景噪声干扰下易出现模态混叠、端点效应等问题。2014年，Dragomiretskiy等[2]提出了一种新的信号自适应分解方法——变分模态分解(variational mode decomposition ，VMD)。该方法相比于EMD的优势在于采用了非递归的分解模式，通过变分问题的构造使得分解结果稳定，但也存在分解效果受模态分量个数k和惩罚参数α影响较大的不足[3]。王奉涛等[4]以分解信号的能量差值为标准确定预设参数k。毕凤荣等[5]通过对分解后各个本征模态函数(intrinsic mode function，IMF)中心频率的差值计算，确定了分解个数k的确定标准。马增强等[6]在此基础上，进一步采用峭度准则确定了有效IMF。李华等[7]以IMF峭度最大值为原则优化分解个数k。上述研究内容中仅对分量个数k和惩罚参数α中的一个参数进行了优化，没有全面考虑到分解个数k和惩罚参数α间的相互作用对分解效果的影响。李华等[8]提出了基于信息熵的[k,α]参数确定方法，但在其研究中两个参数的联合优化是“顺序性”的优化，即首先确定参数k对应的最小信息熵，然后在此基础上再次通过最小信息熵确定参数α，因此该优化方法得到的最优组合并不一定是全局最优解。……