关晓艳 李 亚 肖 杨 王椿晶

（昆明理工大学信息工程与自动化学院）

滚动轴承是旋转机械中最常用的部件之一，其操作状态与机械的性能和安全存在着紧密的关联性［1］。因此，从传感器采集得到的轴承振动信号入手，通过信号分析与处理方法来提取更为全面的故障特征在故障诊断中显得尤为重要［2］。

常见的信号处理方法有魏格纳-维尔分布（WVD）［3］、小 波 包 变 换（WPT）［4］、经 验 模 态 分 解（EMD）［5］及局部均值分解（LMD）［6］等，但这些方法在故障特征提取中出现了一定的局限性。 唐贵基和王晓龙引入了一种自适应信号分解的新方法——变分模态分解（VMD），相对于EMD，该方法摒弃了在信号分解过程中的递归筛分剥离，采用非递归策略，结果表明通过此方法能够从信号中有效分离出包含丰富特征信息的信号分量，弥补了早期轴承故障诊断中的不足［7］。 王新和闫文源针对在实际情况中难以获得大量故障样本的问题，提出了基于VMD和支持向量机（SVM）相结合的滚动轴承故障诊断方法，且证明将该方法用于轴承故障诊断的性能要高于EMD与SVM相结合的方法［8］。 而实际参与VMD分解的信号中还夹杂了背景噪声，在故障特征提取过程中降低了准确率。 袁燕红等提出了一种基于小波包降噪与VMD的滚动轴承故障特征提取方法，在VMD分解前对信号进行小波包降噪［9］。但由于硬、软阈值函数的形式固定不变，无法根据信号变化而自适应调整，具有很大的局限性［10］。 最大相关峭度解卷积（MCKD）算法是一种通过不断迭代计算寻求最大峭度的降噪方法， 在早期故障特征比较微弱时，可以在排除噪声干扰的同时有效增强信号的冲击成分，使故障特征信息得到加强［11］。……