李永琪，彭珍瑞

（兰州交通大学 机电工程学院，兰州730070）

滚动轴承在旋转机械运行中起着举足轻重的重要作用，其动力学系统十分复杂。实际振动信号往往呈非线性、非平稳性[1]。因而如何从这些故障信号中提取出含丰富故障信息的故障特征已成为轴承故障诊断中关键问题之一。

经验模态分解（Empirical mode decomposition，EMD）由Huang等[2]提出后，主要针对非平稳和非线性信号，该方法对信号分解时可以实现自适应分解，但过包络、模态混叠等缺陷仍存在其中。Smith[3]为解决EMD 拟合问题提出了局部均值分解（Local mean decomposition，LMD）方法，可避免过包络缺陷，而且降低了模态混淆及端点效应的影响，但是对信号分解而言仍属递归模式分解，在分解过程中仍会存在误差。2014年，Dragomiretskiy 等[4]提出了变分模态分解（Variational mode decomposition，VMD），该方法在处理模式混叠方面具有坚实的数学理论基础，能有效地避免和抑制EMD、LMD的模态混叠及端点效应且分解效率较高[5]，但是会存在模态分量个数K和惩罚因子α两个参数如何合理选取的问题[6]。多数研究中使用VMD时，两个参数取决于人为经验选取，会严重影响其分解[7]，甚至可能会产生虚假分量且出现错误诊断。郑小霞等[8]通过观察中心频率选取K值，α取默认值2 000而未优化，没有足够的依据而缺乏严谨性。张俊等[9]利用粒子群算法优化了其参数，但会增加计算时间且存在局部最优现象。

针对上述问题，VMD参数难以合理确定且为了综合考虑故障脉冲的周期性及循环平稳性，本文提出了一种平均包络谱峭度结合平均……