杨 云，张昊宇，薛元贺,2，丁 磊

(1.华东交通大学电气与自动化工程学院，南昌 330033；2.中国铁路南昌局集团有限公司，南昌 330033)

0 引言

滚动轴承是旋转机械的重要组成部分，如果发生故障，在其工作时会造成安全隐患，因此判断出轴承的当前状态，并采取相应的措施处理十分必要[1]。

轴承的振动信号多为非线性、非平稳信号，经验模态分解(Empirical mode decomposition，EMD)作为早期的自适应分解算法与其他方法结合激起了人们的研究兴趣。王金东等[2]通过EMD分解轴承的振动信号最后结合SVM，可以较准确实现故障诊断；由于EMD算法本身的缺陷，马丽华等[3]提出基于集合经验模态分解(EEMD)和GG聚类的方法，最终的结果也证明了该方法的可行性。2005年由EMD理论更新出了一种新的自适应分解算法局部均值分解算法(Local mean decomposition，LMD)，侯高雁等[4]针对滚动轴承的振动信号，通过LMD形态学与EEMD形态学在故障提取中的对比研究，表明LMD对故障提取有着速度快，清晰度高的特点。人们在研究过程中，发现EMD、LMD两者算法本身存在局限性，无法解决端点效应和模态混叠现象。Dragomiretskiy Konstantin在2014年提出了变分模态分解(Variational modal decomposition，VMD)方法[5]，此方法可以避免端点效应、抑制模态变分模态分解和样本熵的特征提取方法,采用支持向量机进行故障识别。该方法能精确的实现故障诊断。熵作为一种构建特征向量的方法也广泛用于轴承的故障诊断领域[7-8]。

本文基于滚动轴承的故障运行机制提出一种变分模态分解和基于峭度准则排列熵构建特征向量的方法，通过SVM进行分类诊断。……