张旭光， 荆双喜， 杨白冰， 冷军发， 罗晨旭

(河南理工大学 机械与动力工程学院，河南 焦作 454000, E-mail:zxg-hpu@qq.com)

在旋转机械中，滚动轴承是其主要的核心部件，也是最容易出现故障的部件之一[1]。其故障大多以局部缺陷的形式发生在工作周期的早期，并且具有故障信息微弱，极易受随机噪声和其他信号干扰等特点，这就使得对轴承故障特征不易识别和提取。

轴承早期微弱故障特征提取方法有很多，常用的比如连续小波变换[2]、经验模态分解(EMD)方法、变模态分解(VMD)[3]方法、谱峭度方法[4]、最小熵解卷积(MED)[5]方法等，这些方法都取得不错的效果。但各种方法都存在一些问题。例如，CWT时频谱的频率分辨率低[6]；最小熵解卷积在强噪声条件下，对微弱冲击信号解卷积效果很差等[7]。

本文引入同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)[8]和最大相关峭度反卷积(Maximum Correlated Deconvolution, MCKD)[9]相结合

的方法。采用SWT方法对多分量信号进行分解，可以有效避免CWT分解能量的泄露问题；MCKD方法可以充分利用冲击故障的周期特征，有效抑制噪声和其他干扰成分的影响；结合两种方法的优点，能够准确提取出故障轴承特征。

1 方法原理

1. 1 同步压缩小波变换SWT

SWT不同于传统的小波变换，是在CWT的基础上对小波系数进行重新排序，提高信号的时频分辨率[10]。广泛用于特征信号的提取和重构。SWT原理可分为四步[11-14]：

(1)设非平稳信号f(t)是由一系列谐波叠加而成，进行CWT分析，得到连续小波系数Wf(a,b)。

(1)

(2)对Wf(a,b)求导，得到信号的瞬时频率wf(a,b)。

(2)

(3)

式中：ak为离散尺度；k为尺度个数。

(4)根据同步压缩小波逆变换(ISWT)可以重构信号，则ISWT表示为