盛肖炜,于林鑫,毕鹏飞,康兴汝,朱美臣

(1.无锡开放大学 机电工程系,江苏 无锡 214000;2.东北大学 信息科学与工程学院,辽宁 沈阳 100180;3.哈尔滨工程大学 自动化学院,黑龙江 哈尔滨 150001;4.内蒙古北方重工业集团有限公司,内蒙古 包头 014000;5.浙江联宜电机有限公司,浙江 义乌 322100)

0 引 言

在工厂机械设备中,滚动轴承得到了广泛的应用。利用滚动轴承的振动信号对早期滚动轴承故障进行诊断,对于复杂化、大型化的专业机械设备可靠性监控以及预防大型安全事故具有现实意义。然而,带故障的滚动轴承的振动信号往往具有非线性和非平稳性的特性,其中,还包含着复杂的噪声信号。因此,提取滚动轴承的故障特征往往十分困难。

相比于小波分解法,经验模态分解法EMD[1,2](empirical mode decomposition)将振动信号按时间尺度递归分解为若干本征模态分量IMF(intrinsic mode function),它不需要事先设定基函数。但是经验模态分解法存在模态混叠、端点效应等问题。而相比于EMD,改进的集合经验模式分解法EEMD[3,4](ensemble empirical mode decomposition),能抑制模态混叠,但是其计算量很大。

2014年,DRAGOMIRETSKIY K提出了变分模态分解法VMD[5,6],即通过引入变分模型,在设定的频域带宽中不断地迭代,分解成设定好个数的IMF分量来重构信号,使每个IMF估计带宽之和最小,以此来获得信号的最优解。该算法能消除模态混叠,对噪声也具有较好的鲁棒性。文献[7]采用粒子群算法寻优VMD算法的惩罚参数α和分量个数K的最佳参数组合,参数优化后的VMD算法诊断效率更高。

2006年,HITON G E[8]提出了深度置信网络DBN,并发表于《Science》杂志。文献[9]利用奇异值分解和深度信度网络相结合的方法,来识别滚动轴承的故障信号。……