马小平， 李博华， 蔡蔓利， 韩正化， 陈泽彭

(中国矿业大学 信息与控制工程学院，江苏，徐州 221116)

旋转机械广泛用于工业生产中，其运行状态对设备的效率和生产安全有着重要影响. 而轴承作为其重要部件，对轴承的监测，尤其是通过识别早期故障来减少轴承磨损、失效带来的严重影响，是机械故障处理中至关重要的技术[1]. 因此，对轴承运行状态的监测，特别是早期故障的预警，对设备安全和稳定生产有着重要意义.

传统的故障预警建立在故障形成之后，对故障信号进行特征提取、信号分类. 贾志明等[2]用局部均值法对EMD分解的故障信号特征指标进行处理，通过和阈值对比能有效识别早期故障；郑小霞等[3]用PSO算法优化VMD的分解个数和惩罚因子，能精确提取故障信号微弱特征. 但此类方法没有在故障信号出现初期对其进行捕捉，实时性较差. 对此，本文将语音分析领域中语音端点检测思想加以迁移，提取振动信号的谱熵梅尔积[4](product of spectral entropy and MFCC0, MFPH)特征，利用双门限法检测故障起始点，采集起始点后的振动信号为异常样本，提高模型可信度和泛化能力.

针对轴承故障信号非平稳性强、特征频率易重叠且难以准确提取的问题，采用变分模态分解[5]对信号进行处理. VMD将信号分解转变为约束优化问题，通过迭代求解分量最优的带宽和频率中心，有效抑制了模态混叠. 刘长良等[6]将VMD与SVD结合，提取轴承故障特征；刘尚坤等[7]用互信息对VMD进行改进，增强了早期轴承故障……