SE-KSD 優化的FRFT-VMD 軸承故障診斷方法

韋明輝 , ，江麗霞 , ，涂鳳秒 , ，姜蓬勃 ,

（1.西南石油大學 機電工程學院，成都 610500；2.石油天然氣裝備技術四川省科技資源共享服務平臺，成都 610500）

滾動軸承對機車等旋轉器械是不可或缺的重要部件之一，但由于其工作環境致使其具有易損壞的特點，而滾動軸承的運行狀況對于設備有著巨大影響，任何一個小故障都可能影響設備的正常運行從而給國家以及人民帶來巨大損失。若能在滾動軸承失效之前便對其進行故障診斷，不僅能最大限度減少損失，還能降低設備的維修成本[1]。因此，對滾動軸承進行故障診斷具有必要性。然而，采集到的滾動軸承故障信號?；煊写罅扛蓴_信號，使得所采集到的信號具有非平穩、非線性等特點。由于干擾信號的存在，導致在進行故障診斷時，無法從中快速辨別故障特征信號，使故障診斷的難度上升，時間增加。如何從這些信號中提取所需的故障特征信息成為許多學者研究的問題[2]。

Huang 等[3]提出了經驗模態分解方法（Empirical mode decomposition，EMD），該方法根據信號在時間尺度上的局部特征結構，自適應地提取反應信號本質特征的固有模態分量，可該算法缺少理論支撐，會出現端點效應和模態混疊現象影響信號處理結果。吳振華等[4]將噪聲輔助信號分析方法引入到EMD中，提出了集成經驗模態分解（EEMD），雖然該方法在抑制模態混疊方面起到了一定作用，可效果不徹底，且會產生多個虛假分量，而且噪聲的加入會導致重構誤差增加。Dragomiretskiy 等[5]提出了變分模態分解（Variational mode decomposition，VMD），一種全新的非遞歸自適應信號處理方法，近年來，該方法成為了一個研究熱點，但都只是在整數域上的改進?！?br>