张家军,马 萍,彭 炫,张宏立

(新疆大学a.电气工程学院;b.工程训练中心,乌鲁木齐 830017)

0 引言

滚动轴承广泛应用于现代工业机械,为旋转机械提供可靠的支撑。在设备的使用过程中,由于机械系统的重载和恶劣的工业环境,轴承相对容易损坏,严重影响整个设备的工作精度和操作安全[1]。对于早期损伤的滚动轴承,由于其复杂多变的工况和不同零件振动信号之间相互耦合影响,致使传感器采集到的衰减振动信号多呈现为非线性、非平稳的复杂信号[2]。因此,如何高效、准确的从复杂信号中提取有用的故障特征信息是滚动轴承早期故障诊断的关键。

目前,针对非线性、非平稳滚动轴承振动信号,自适应信号分解方法是提取滚动轴承故障特征的一种有效方法,将轴承的振动信号分解为一系列具有明确物理意义的固有模态函数(inherent mode function,IMF)[3],从而将故障特征信号与干扰信号分离。如经验模态分解(empirical mode decomposition,EMD)[4]已被广泛应用于滚动轴承故障诊断中,但该方法存在模态混合、边界效应、对噪声敏感等问题。WU等[5]利用白噪声的特性来辅助分解,提出了集成经验模态分解(ensemble empirical mode decomposition,EEMD),可以有效抑制模态混合。但以上方法无法从根本上解决模态混合的问题,且多分量信号中包含的每个分量通常具有独立的频率范围[6]。根据这一特性,变分模式分解(variational mode decomposition,VMD)[7],一种基于频谱划分的频域分解方法被应用于滚动轴承故障诊断中。王恒迪等[8]提出基于参数优化VMD的滚动轴承早期故障诊断。该方法使用优化算法确定VMD算法中二次惩罚因子和分量个数,利用Kurtosis准则筛选最佳分量,最终有效提取滚动轴承早期故障特征。……