王椿晶 王海瑞 关晓艳 常梦容

（昆明理工大学信息工程与自动化学院）

滚动轴承在重型旋转机械中应用广泛，若其运行状态出现问题，会导致整个机械设备停运甚至发生安全事故，进而造成直接经济损失。 因此，对滚动轴承的健康状态进行实时监测和故障诊断具有极其重要的意义［1］。

滚动轴承故障诊断的关键是如何从复杂的故障信号中提取出能表征故障特征的信息、提高故障识别的准确性。 然而，滚动轴承故障信号为非线性、非平稳信号，导致传统的特征提取方法存在模态混叠现象。 2014年，Dragomiretskiy K和Zosso D提出了变分模态分解 （Variational Mode Decomposition，VMD）方法，能有效克服模态混叠、边界效应及过分解等情况［2］。 钱林等将VMD和经验 模 态 分 解 （Empirical Mode Decomposition，EMD）方法进行比较，结果证明VMD提取故障特征的效果更好［3］。与近似熵相比，样本熵算法对时间序列的统计量具有更好的一致性，可较少地依赖于时间序列长度［4］，能够降低近似熵的误差，提高统计精度，因此比较适用于对复杂信号进行处理。超限学习机（Extreme Learning Machine，ELM）的网络结构是单层前馈型神经网络，它无需反复调整隐含层参数，相较于传统的分类方法，有着学习速度快、泛化性能好等优点［5］，但是ELM输入权值和隐含层神经元阈值的随机选择会影响算法的稳定性和分类准确率。

笔者以滚动轴承为研究对象，首先通过VMD处理不同工况下的滚动轴承信号， 得到多个IMF分量，然后求出各模态的样本熵并作为特征向量输入到布谷鸟搜索（Cuckoo Search，CS）算法优化的ELM分类器中，通过对参数进行优化，进一步提高分类准确率，实现不同工况下的轴承故障诊断识别。……