张青松，张 兵，谌 亮，秦 怡

（1 西南交通大学 牵引动力国家重点实验室，成都610031；2 中车长春轨道客车股份有限公司，长春130062）

作为连接轮对和齿轮箱的关键部件，轮对轴承在维持高速列车的安全和平稳运行过程中扮演着重要作用［1］。轮对轴承在高速运转情况下，随着时间的推移会产生磨损、腐蚀、裂纹等不同形式的故障。在故障早期，这些故障信息微弱且容易被强噪声淹没，导致难以对轴承的故障实现精确的识别。因此，如何高效识别和探测轮对轴承故障信息是高速列车设备故障诊断中的一个重要部分［2］。

轮对轴承故障特征信息会受到齿轮箱振动、噪声、轨道冲击等因素的影响而导致传感器采集的轴承信号往往具有强非线性和非平稳性，增加了提取轴承故障信息的难度。对于像轴承这一类非平稳和非线性信号，国内外许多学者做了相应的研究［3］。其中，HUANG等人在1990年提出的经验模态分解（Empirical mode decomposition，EMD）［4］至今被广泛的运用。但这种自适应分解方法有着一些缺点，使用过程中会发生模态混叠和端点效应，如果处理不当，会产生大的误差，减弱对故障信号的有效识别［5-6］。变分模态分解（Variational mode decomposition，VMD）作为一种新的自适应信号分解方法在2014年被Konstantin提出［7］。其可以有效地避免模态混叠现象，因此在故障诊断领域扮演着越来越重要的作用。

随着特征提取、大数据处理、机器学习、深度学习等技术的迅速发展，其为设备故障诊断提供了一种新的途径。张超等［8］提出将VMD，能量熵和支持向量机（Support vector machine，SVM）用于齿轮故障诊断并且取得了很好的诊断效果；……