唐貴基, 王曉龍

(華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院 保定，071003)

?

IVMD融合奇異值差分譜的滾動(dòng)軸承早期故障診斷

唐貴基, 王曉龍

(華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院 保定，071003)

針對(duì)滾動(dòng)軸承早期故障階段存在特征信號(hào)微弱、故障識(shí)別相對(duì)困難的問(wèn)題，提出了融合改進(jìn)變分模態(tài)分解和奇異值差分譜的診斷方法。原始信號(hào)經(jīng)改進(jìn)變分模態(tài)分解方法處理后，被分解為若干本征模態(tài)函數(shù)分量，利用包絡(luò)譜稀疏度指標(biāo)篩選出最佳分量構(gòu)造Hankel矩陣并進(jìn)行奇異值分解，求取奇異值差分譜后，根據(jù)差分譜中的突變點(diǎn)重構(gòu)信號(hào)，最終通過(guò)分析信號(hào)的包絡(luò)譜可判斷軸承的故障類型。利用改進(jìn)變分模態(tài)分解融合奇異值差分譜的方法對(duì)軸承故障模擬及實(shí)測(cè)信號(hào)進(jìn)行分析，均成功提取出微弱特征信息，能夠?qū)崿F(xiàn)滾動(dòng)軸承早期故障的有效判別，具有一定的可靠性和應(yīng)用價(jià)值。

改進(jìn)變分模態(tài)分解；奇異值差分譜； 滾動(dòng)軸承； 早期故障

引 言

實(shí)際工程應(yīng)用中，復(fù)雜振動(dòng)傳輸路徑及嚴(yán)重環(huán)境噪聲干擾等因素使軸承早期微弱故障特征提取相對(duì)困難,這也是故障診斷領(lǐng)域的一個(gè)研究熱點(diǎn)和難點(diǎn)[1-2]。針對(duì)該問(wèn)題，不少學(xué)者進(jìn)行了研究。文獻(xiàn)[3]提出基于小波相關(guān)濾波的包絡(luò)分析方法，成功實(shí)現(xiàn)軸承早期故障的判別，但小波基函數(shù)的選擇缺乏自適應(yīng)性。文獻(xiàn)[4]將循環(huán)維納濾波與包絡(luò)譜相結(jié)合，用于分析軸承全壽命周期故障信號(hào)，效果明顯，但濾波器處理精度受循環(huán)頻率估計(jì)影響嚴(yán)重。文獻(xiàn)[5]提出一種基于雙重Q因子的稀疏分解方法，通過(guò)分析低共振分量提取微弱特征信息，但該方法參數(shù)過(guò)多，任一參數(shù)設(shè)置不合理都會(huì)對(duì)結(jié)果產(chǎn)生較大影響。文獻(xiàn)[6]運(yùn)用最小熵解卷積和包絡(luò)譜處理軸承早期故障信號(hào)，但最小熵解卷積算法的魯棒性欠佳，容易受信號(hào)中少數(shù)異常尖脈沖的干擾。文獻(xiàn)[7]提出一種自適應(yīng)信號(hào)處理方法——變分模態(tài)分解(variational mode decomposition，簡(jiǎn)稱VMD)，該方法在獲取分解分量的過(guò)程中通過(guò)迭代搜尋變分模型最優(yōu)解來(lái)確定每個(gè)分量的頻率中心及帶寬，從而能夠自適應(yīng)地實(shí)現(xiàn)信號(hào)的頻域剖分及各分量的有效分離。

筆者對(duì)VMD方法進(jìn)行改進(jìn)，提出基于能量準(zhǔn)則迭代停止條件的改進(jìn)變分模態(tài)分解方法(improved variational mode decomposition，簡(jiǎn)稱IVMD)，并將其引入機(jī)械故障診斷領(lǐng)域，用于處理滾動(dòng)軸承早期故障信號(hào)。然而軸承早期故障信號(hào)特征信息微弱，噪聲干擾嚴(yán)重，如果直接利用IVMD方法對(duì)原始信號(hào)進(jìn)行處理，有時(shí)效果并不理想。奇異值差分譜[8]能有效描述信號(hào)中有用成分和噪聲成分奇異值的本質(zhì)差異，根據(jù)差分譜中最大突變點(diǎn)的位置判定有效奇異值的個(gè)數(shù)，實(shí)現(xiàn)信號(hào)的降噪及周期成分的提取，將其與IVMD方法相結(jié)合，可以提取出更為清晰的故障特征。

1 基本原理介紹

1.1 改進(jìn)變分模態(tài)分解

VMD算法中，本征模態(tài)函數(shù)(intrinsic mode function，簡(jiǎn)稱IMF)被重新定義為一個(gè)調(diào)幅-調(diào)頻信號(hào)，其表達(dá)式[7]為

(1)

VMD算法在獲取IMF分量的過(guò)程中擺脫了EMD算法所使用的循環(huán)篩分剝離的信號(hào)處理方式，而是將信號(hào)分解過(guò)程轉(zhuǎn)移到變分框架內(nèi)，通過(guò)搜尋約束變分模型最優(yōu)解來(lái)實(shí)現(xiàn)信號(hào)自適應(yīng)分解的，每個(gè)IMF分量的頻率中心及帶寬在迭代求解變分模型的過(guò)程中不斷更新，最終可根據(jù)實(shí)際信號(hào)的頻域特性完成信號(hào)頻帶的自適應(yīng)剖分并得到若干窄帶IMF分量。假定將原始信號(hào)f分解成K個(gè)IMF分量，則對(duì)應(yīng)的約束變分模型表達(dá)式為

其中：{uk}={u1,u2,…,uK}為分解得到的K個(gè)IMF分量；{ωk}={ω1,ω2,…,ωK}為各分量的頻率中心。

為求取約束變分問(wèn)題的最優(yōu)解，引入增廣Lagrange函數(shù)

L({uk},{ωk},λ)=

(3)

其中：α為懲罰參數(shù)；λ為L(zhǎng)agrange乘子。

利用交替方向乘子算法求取增廣Lagrange函數(shù)的鞍點(diǎn)，即為式(3)約束變分模型的最優(yōu)解，從而將原始信號(hào)f分解為K個(gè)窄帶IMF分量。

1.2 奇異值差分譜

奇異值分解(singular value decomposition，簡(jiǎn)稱SVD)是一種正交化分解方法，對(duì)于任何一個(gè)實(shí)矩陣A∈Rm×n，都存在一對(duì)正交陣U=(u1,u2,…,um)∈Rm×m和V=(v1,v2,…,vn)∈Rn×n，使

A=UEVT

(4)

其中：E=(diag(σ1,σ2,…,σp),0)∈Rm×n或其轉(zhuǎn)置；0為零矩陣；p=min(m,n)；σ1≥σ2≥…≥σp>0為所得的奇異值。

設(shè)X=(x(1),x(2),…,x(N))是長(zhǎng)度為N的含噪離散數(shù)字信號(hào)，為了利用SVD方法對(duì)其進(jìn)行降噪處理，須利用該信號(hào)構(gòu)造出Hankel矩陣

(5)

其中:1

由于矩陣的行列數(shù)對(duì)去噪結(jié)果存在直接影響，為實(shí)現(xiàn)信號(hào)成分的有效分離，需要矩陣的行列數(shù)盡可能達(dá)到最大，筆者取n=N/2，m=N/2+1。

對(duì)Hankel矩陣進(jìn)行SVD處理，由于有用信號(hào)成分對(duì)應(yīng)的奇異值明顯大于噪聲成分對(duì)應(yīng)的奇異值，因此選取前幾個(gè)較大奇異值進(jìn)行信號(hào)重構(gòu)即可達(dá)到降噪的目的[9]。為實(shí)現(xiàn)有效奇異值個(gè)數(shù)的自動(dòng)選取，文獻(xiàn)[10]提出了奇異值差分譜的方法，設(shè)奇異值按從大到小順序排成序列E=(σ1,σ2,…,σp)，則

(6)

序列B=(b1,b2,…,bp-1)即為奇異值的差分譜，它描述了相鄰奇異值之間的變化情況。最大值bk=max(bi)意味著奇異值序列在該位置處發(fā)生了最大突變，因此最大突變點(diǎn)即為信號(hào)重構(gòu)時(shí)有用信號(hào)成分與噪聲成分的分界點(diǎn)。

2 診斷流程

筆者提出了改進(jìn)變分模態(tài)分解融合奇異值差分譜的故障診斷方法，利用IVMD方法對(duì)軸承早期故障信號(hào)進(jìn)行處理，原始信號(hào)被自適應(yīng)分解成為若干窄帶IMF分量。

稀疏度指標(biāo)[11]能夠有效反應(yīng)信號(hào)的稀疏特性，但是時(shí)域信號(hào)的稀疏度容易受單個(gè)或少量大幅值脈沖的影響。將信號(hào)轉(zhuǎn)換到頻域，計(jì)算信號(hào)包絡(luò)譜的稀疏度則可有效避免這一缺陷。利用IVMD方法處理故障信號(hào)后，分別計(jì)算各IMF分量的包絡(luò)譜稀疏度。如果分解分量中包含的噪聲較多，與軸承故障相關(guān)的周期性沖擊特征不明顯，則信號(hào)包絡(luò)譜各頻率處的幅值相差不大，沒(méi)有幅值特別突出的成分，包絡(luò)譜稀疏度相對(duì)較小。如果IMF分量中包含的故障特征信息較多，波形中出現(xiàn)規(guī)律性連續(xù)沖擊脈沖，則信號(hào)包絡(luò)譜的相應(yīng)頻率處就會(huì)出現(xiàn)較大譜峰，稀疏度也隨之增大。鑒于上述分析，筆者以包絡(luò)譜稀疏度作為指導(dǎo)標(biāo)準(zhǔn)來(lái)搜尋最佳IMF分量。圖1為改進(jìn)變分模態(tài)分解結(jié)合奇異值差分譜的軸承早期故障診斷方法的實(shí)現(xiàn)步驟。

圖1 具體實(shí)現(xiàn)步驟圖Fig.1 Graphic of the specific steps

1) 對(duì)原始故障信號(hào)進(jìn)行IVMD處理，得到幾個(gè)頻段的窄帶IMF分量。

2) 分別計(jì)算各IMF分量的包絡(luò)譜稀疏度，篩選出稀疏度最大的分量作為最佳分量。

3) 利用最佳IMF分量構(gòu)建Hankel矩陣，并進(jìn)行SVD處理。

4) 繪制差分譜曲線，確定最大突變點(diǎn)，根據(jù)突變點(diǎn)重構(gòu)信號(hào)實(shí)現(xiàn)信號(hào)降噪的目的。

5) 對(duì)降噪信號(hào)做包絡(luò)解調(diào)運(yùn)算，得到包絡(luò)譜。

6) 將滾動(dòng)軸承故障頻率理論值與包絡(luò)譜中幅值明顯的譜線進(jìn)行對(duì)比，實(shí)現(xiàn)故障類型的判別。

3 仿真信號(hào)

利用故障模型[12]模擬軸承內(nèi)圈存在局部缺陷時(shí)產(chǎn)生的沖擊信號(hào)，并添加強(qiáng)烈的白噪聲模擬內(nèi)圈早期故障信號(hào)。仿真信號(hào)表達(dá)式為

其中:s(t)為周期性沖擊成分;幅值A(chǔ)0為0.3;轉(zhuǎn)頻fr為30 Hz;衰減系數(shù)C為700;共振頻率fn為4 kHz;內(nèi)圈故障特征頻率fi=1/T=120 Hz;n(t)為高斯白噪聲成分;染噪信號(hào)的信噪比為-13 dB(信噪比計(jì)算公式SNR=20log10(υs/υn);υs和υn分別為沖擊成分和噪聲成分的有效值);采樣頻率fs為16 kHz;分析點(diǎn)數(shù)為4 096點(diǎn)。

沖擊信號(hào)波形、內(nèi)圈早期故障仿真信號(hào)波形及頻譜如圖2所示。對(duì)比圖2(a),(b)發(fā)現(xiàn)，仿真信號(hào)中周期脈沖完全被噪聲淹沒(méi)，無(wú)規(guī)律可循，頻譜中4 kHz處的共振頻帶隱約可見。如圖3所示，對(duì)仿真信號(hào)進(jìn)行包絡(luò)譜分析，未發(fā)現(xiàn)任何突出頻率成分。

圖2 仿真信號(hào)的波形及頻譜Fig.2 Waveform and spectrum of simulated signal

圖3 仿真信號(hào)的包絡(luò)譜Fig.3 Envelope spectrum of simulated signal

利用筆者提出的方法對(duì)仿真信號(hào)進(jìn)行分析，原始信號(hào)經(jīng)IVMD處理后，自適應(yīng)地被分解成為圖4(a)所示的5個(gè)IMF分量。前4個(gè)分量的波形中出現(xiàn)較明顯的沖擊成分，為了從結(jié)果中篩選出包含豐富故障特征信息的分量，分別計(jì)算各分量的包絡(luò)譜稀疏度，其中IMF3分量的包絡(luò)譜稀疏度最大，因此將其確定為最佳分量。利用該分量構(gòu)造Hankel矩陣進(jìn)行SVD處理，求取奇異值序列并繪制得到奇異值差分譜。為了觀察差分譜的情況，將奇異值序列和差分譜前50個(gè)點(diǎn)繪在同一個(gè)坐標(biāo)系下，如圖4(b)所示?？梢钥吹剑?個(gè)點(diǎn)為差分譜的最大突變點(diǎn)，保留SVD處理得到的前6個(gè)奇異值，其余奇異值均置0，進(jìn)行奇異值重構(gòu)，得到圖4(c)所示的重構(gòu)信號(hào)。SVD的本質(zhì)是將信號(hào)分解成為一系列分量信號(hào)的線性疊加，每一個(gè)奇異值對(duì)應(yīng)一個(gè)分量信號(hào)，奇異值越大，對(duì)應(yīng)的分量信號(hào)在原信號(hào)中的比重越大。由于原信號(hào)中添加了較重的噪聲干擾，沖擊成分的部分特征因強(qiáng)度太小而淹沒(méi)在噪聲中，利用差分譜進(jìn)行信號(hào)降噪時(shí)，僅選取前6個(gè)較大奇異值對(duì)應(yīng)的分量信號(hào)進(jìn)行重構(gòu)，使沖擊成分的部分特征隨著噪聲被一起除去，重構(gòu)信號(hào)不會(huì)再呈現(xiàn)原本的單邊沖擊響應(yīng)特征，但是沖擊成分在整個(gè)時(shí)間段上的周期性并未發(fā)生改變。對(duì)重構(gòu)信號(hào)做包絡(luò)解調(diào)運(yùn)算，得到圖4(d)所示的包絡(luò)譜。圖中僅fi～3fi處存在3個(gè)明顯譜峰，譜圖干凈，無(wú)任何干擾成分，故障特征頻率及其倍頻成分被準(zhǔn)確提取出來(lái)。

圖4 本研究方法的仿真信號(hào)分析結(jié)果Fig.4 Analysis results of simulated signal by proposed method

為了驗(yàn)證改進(jìn)變分模態(tài)分解方法與奇異值差分譜相結(jié)合的必要性，對(duì)IMF3分量做包絡(luò)譜分析，如圖5所示。與圖4(d)對(duì)比發(fā)現(xiàn)，圖5中雖然內(nèi)圈故障特征頻率fi處譜線幅值比較突出，但是干擾譜線相對(duì)較多，且存在一定背景噪聲，分析效果與圖4(d)相比存在一定差距。

圖5 IMF3分量的包絡(luò)譜Fig.5 Envelope spectrum of IMF3

為突出該方法的優(yōu)勢(shì)，利用基于EMD的包絡(luò)解調(diào)方法對(duì)仿真信號(hào)進(jìn)行分析。信號(hào)經(jīng)EMD方法處理后，分別求取每個(gè)分解分量的包絡(luò)譜，取效果最好的一個(gè)與所述方法的分析結(jié)果進(jìn)行對(duì)比。仿真信號(hào)經(jīng)EMD處理后共得到11個(gè)分量，如圖6(a)所示。計(jì)算各分量的包絡(luò)譜經(jīng)過(guò)對(duì)比后發(fā)現(xiàn)，僅C1分量的包絡(luò)譜中出現(xiàn)故障特征頻率成分，如圖6(b)所示，但特征頻率成分十分微弱，很難識(shí)別。由此表明基于EMD的包絡(luò)解調(diào)方法無(wú)法有效提取出仿真信號(hào)中淹沒(méi)在強(qiáng)烈噪聲中的故障特征信息。

圖6 基于EMD方法的仿真信號(hào)分析結(jié)果Fig.6 Analysis results of simulated signal by EMD method

4 全壽命周期加速試驗(yàn)信號(hào)

對(duì)NSFI/UCR智能維護(hù)系統(tǒng)中心的滾動(dòng)軸承全壽命周期加速試驗(yàn)數(shù)據(jù)進(jìn)行分析[13]，試驗(yàn)臺(tái)轉(zhuǎn)軸上同時(shí)安裝了4個(gè)軸承，轉(zhuǎn)速為2 kr/min，每個(gè)軸承的軸向和徑向各安裝一個(gè)加速度傳感器，采樣頻率為20 kHz。圖7給出了軸承和傳感器的安裝位置。

圖7 試驗(yàn)平臺(tái)Fig.7 Experimental platform

試驗(yàn)結(jié)束后發(fā)現(xiàn)1號(hào)軸承外圈出現(xiàn)局部損傷，筆者對(duì)該軸承的實(shí)測(cè)數(shù)據(jù)進(jìn)行分析。表1為試驗(yàn)軸承的結(jié)構(gòu)參數(shù)，根據(jù)結(jié)構(gòu)參數(shù)計(jì)算得到的外圈理論故障特征頻率fo為236.4 Hz。圖8為1號(hào)軸承振動(dòng)信號(hào)的均方根值趨勢(shì)。

表1 滾動(dòng)軸承結(jié)構(gòu)參數(shù)

圖8 1號(hào)軸承振動(dòng)信號(hào)的均方根值趨勢(shì)Fig.8 RMS trend of vibration signal of No.1 bearing

均方根值變化趨勢(shì)反映了軸承運(yùn)行狀態(tài)的全過(guò)程，在7 020 min處，均方根值發(fā)生較大跳變，表明狀態(tài)出現(xiàn)異常，均方根值在9 790min時(shí)達(dá)到最大，說(shuō)明軸承已達(dá)到壽命極限。圖9為7 020 min實(shí)測(cè)信號(hào)的波形及頻譜。時(shí)域波形出現(xiàn)明顯的沖擊成分，且沖擊間隔比較均勻，頻譜在3 000～6 000 Hz范圍內(nèi)，與故障相關(guān)的共振頻帶也很明顯，對(duì)該組信號(hào)進(jìn)行包絡(luò)解調(diào)運(yùn)算，得到圖10所示的包絡(luò)譜。譜圖主要由外圈故障特征頻率及其倍頻成分fo～4fo組成，由此很容易識(shí)別出軸承外圈故障。

圖9 7 020min實(shí)測(cè)信號(hào)的波形及頻譜Fig.9 Waveform and spectrum of measured signal in 7 020 minutes

圖10 7 020 min實(shí)測(cè)信號(hào)的包絡(luò)譜Fig.10 Envelope spectrum of measured signal in 7 020 minutes

圖11為5 410 min時(shí)獲取的信號(hào)波形及頻譜。雖然時(shí)域波形中出現(xiàn)少量沖擊脈沖，但無(wú)法判斷脈沖出現(xiàn)的周期。頻譜中1 kHz附近存在一個(gè)幅值突出的譜峰，屬于試驗(yàn)平臺(tái)的工頻干擾。與7 020 min實(shí)測(cè)信號(hào)的頻譜相比，該組信號(hào)頻譜中與故障相關(guān)的共振頻帶并不明顯。對(duì)其進(jìn)行包絡(luò)譜分析，如圖12所示，沒(méi)有出現(xiàn)故障相關(guān)頻率成分，表明傳統(tǒng)的直接包絡(luò)解調(diào)方法對(duì)于該組信號(hào)無(wú)效。

圖11 5 410 min實(shí)測(cè)信號(hào)的波形及頻譜Fig.11 Waveform and spectrum of measured signal in 5 410 minutes

圖12 5 410 min實(shí)測(cè)信號(hào)的包絡(luò)譜Fig.12 Envelope spectrum of measured signal in 5 410 minutes

利用筆者提出方法對(duì)5 410 min實(shí)測(cè)信號(hào)進(jìn)行分析，信號(hào)經(jīng)IVMD算法處理后，被分解為4個(gè)IMF分量，其中IMF2分量的包絡(luò)譜稀疏度最大，該分量的時(shí)域波形如圖13(a)所示。觀察發(fā)現(xiàn)，與原實(shí)測(cè)信號(hào)相比，IMF2分量中沖擊成分明顯增多，呈現(xiàn)出一定的周期特性，表明原本淹沒(méi)在強(qiáng)烈背景噪聲中的沖擊脈沖被有效挖掘出來(lái)。利用該分量構(gòu)建Hankel矩陣后進(jìn)行SVD處理，得到圖13(b)所示的奇異值差分譜,其中第2個(gè)點(diǎn)為最大突變點(diǎn)。如果最大突變點(diǎn)發(fā)生在前兩個(gè)點(diǎn)，進(jìn)行奇異值重構(gòu)時(shí)往往取第2大突變點(diǎn)，因?yàn)槠娈愔祩€(gè)數(shù)太少容易丟失有效信息[14]。第2大突變點(diǎn)為第10個(gè)點(diǎn)，利用前10個(gè)奇異值重構(gòu)得到圖13(c)所示的重構(gòu)信號(hào)。與IMF2分量相比，重構(gòu)信號(hào)中沖擊成分的周期特性明顯，對(duì)重構(gòu)信號(hào)做進(jìn)一步包絡(luò)解調(diào)運(yùn)算，得到圖13(d)所示包絡(luò)譜。由于重構(gòu)信號(hào)呈現(xiàn)出低頻調(diào)制特征，因此包絡(luò)譜低頻段存在一個(gè)明顯峰值。此外，在外圈故障特征頻率fo及其倍頻2fo處也出現(xiàn)了幅值突出的譜線，表明軸承外圈已出現(xiàn)局部損傷，理論分析與實(shí)際情況相符，且本研究方法與均方根值指標(biāo)相比提前1 610 min就識(shí)別出軸承故障，對(duì)于實(shí)際診斷應(yīng)用意義重大。

圖13 筆者提出方法的實(shí)測(cè)信號(hào)分析結(jié)果Fig.13 Analysis results of measured signal by proposed method

圖14 IMF2分量的包絡(luò)譜Fig.14 Envelope spectrum of IMF2

圖14為IMF2分量的直接包絡(luò)解調(diào)分析結(jié)果。雖然包絡(luò)譜中外圈故障特征頻率fo處存在一個(gè)較明顯譜峰，分析效果與原實(shí)測(cè)信號(hào)的直接包絡(luò)解調(diào)結(jié)果相比有很大提升，但譜線左側(cè)卻存在一個(gè)幅值較大的干擾頻率成分。對(duì)IMF2分量做進(jìn)一步差分譜降噪后再做包絡(luò)譜分析，故障特征頻率成分變得更加清晰明了，實(shí)測(cè)信號(hào)分析結(jié)果也驗(yàn)證了改進(jìn)變分模態(tài)分解與奇異值差分譜相結(jié)合的必要性。

利用基于EMD的包絡(luò)解調(diào)方法對(duì)實(shí)測(cè)信號(hào)進(jìn)行處理。信號(hào)經(jīng)EMD處理后共得到10個(gè)分解分量，對(duì)所得分量依次做包絡(luò)解調(diào)運(yùn)算，僅在C1分量的包絡(luò)譜中找到特征頻率成分fo，該分量的波形及包絡(luò)譜如圖15所示。由于譜圖中特征頻率成分不突出且背景噪聲干擾嚴(yán)重，因此很容易造成誤診和漏診，分析效果與本研究方法相比差距較大。

圖15 基于EMD方法的實(shí)測(cè)信號(hào)分析結(jié)果Fig.15 Analysis results of measured signal by EMD method

5 結(jié) 論

1) 筆者在介紹變分模態(tài)分解方法的同時(shí)對(duì)其進(jìn)行改進(jìn)，提出了基于能量指標(biāo)停止條件的改進(jìn)變分模態(tài)分解方法。軸承早期故障仿真信號(hào)及全壽命周期加速試驗(yàn)信號(hào)分析結(jié)果表明，將改進(jìn)變分模態(tài)分解與奇異值差分譜相融合能有效提取出信號(hào)中隱藏的微弱特征信息，實(shí)現(xiàn)軸承早期故障狀態(tài)的判別。

2) 對(duì)比分析結(jié)果表明，與傳統(tǒng)的直接包絡(luò)解調(diào)方法以及基于EMD的包絡(luò)解調(diào)方法相比，筆者提出的改進(jìn)變分模態(tài)分解融合奇異值差分譜的滾動(dòng)軸承早期故障診斷方法的分析效果更為有效、準(zhǔn)確。

3) VMD作為一種自適應(yīng)信號(hào)處理新方法，筆者首次將其引入到機(jī)械故障診斷領(lǐng)域，利用該方法來(lái)分析軸承早期故障信號(hào)。

[1] 羅頌榮,程軍圣,鄭近德.基于ITD分形模糊熵的軸承早期故障診斷[J].振動(dòng)、測(cè)試與診斷,2013,33(4)：706-711.

Luo Songrong,Cheng Junsheng,Zheng Jinde. Incipient fault diagnosis based on ITD fractal dimension and fuzzy entropy for bearings[J].Journal of Vibration, Measurement & Diagnosis,2013,33(4)：706-711.(in Chinese)

[2] 楊慶,陳桂明,何慶飛,等.局部切空間排列算法用于軸承早期故障診斷[J].振動(dòng)、測(cè)試與診斷,2012,32(5)：831-835.

Yang Qing,Chen Guiming,He Qingfei, et al. Inchoate fault diagnosis of rolling bearings based on local tangent space alignment algorithm[J].Journal of Vibration, Measurement & Diagnosis,2012,32(5)：831-835.(in Chinese)

[3] 曾慶虎,邱靜,劉冠軍,等.基于小波相關(guān)濾波一包絡(luò)分析的早期故障特征提取方法[J].儀器儀表學(xué)報(bào),2008,29(4)：729-733.

Zeng Qinghu,Qiu Jing,Liu Guanjun, et al.Approach to extraction of incipient fault features based on wavelet correlation filter and envelope analysis[J].Chinese Journal of Scientific Instrument,2008,29(4)：729-733.(in Chinese)

[4] Ming Y,Chen J,Dong G M. Weak fault feature extraction of rolling bearing based on cyclic Wiener filter and envelope spectrum[J].Mechanical System and Signal Processing,2011,25：1773-1785.

[5] 莫代一,崔玲麗,王婧.基于雙重 Q因子的稀疏分解法在滾動(dòng)軸承早期故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2013,49(9)：37-41.

Mo Daiyi,Cui Lingli,Wang Jing.Sparse signal decomposition method based on the dual Q-factor and its application to rolling bearing early fault diagnosis [J].Journal of Mechanical Engineering,2013,49(9)：37-41.(in Chinese)

[6] Jiang R L,Chen J,Dong G M,et al.The Weak fault diagnosis and condition monitoring of rolling element bearing using minimum entropy deconvolution and envelop spectrum[J]. Engineering Science Engineers,Part C：Journal of Mechanical Engineering Science，2013,227(5)：1116-1129.

[7] Dragomiretskiy K,Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing,2014,62(3)：531-544.

[8] 胥永剛,孟志鵬,陸明,等.雙樹復(fù)小波和奇異差分譜在滾動(dòng)軸承故障診斷中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào),2013,26(6)：965-973.

Xu Yonggang,Meng Zhipeng,Lu Ming,et al. Application of dual-tree complex wavelet transform and singular value difference spectrum in the rolling bearing fault diagnois[J].Journal of Vibration Engineering,2013,26(6)：965-973. (in Chinese)

[9] 張超,陳建軍,徐亞蘭.基于EMD分解和奇異值差分譜理論的軸承故障診斷方法[J].振動(dòng)工程學(xué)報(bào),2011,24(5)：539-545.

Zhang Chao,Chen Jianjun,Xu Yalan. A bearing fault diagnosis method based on EMD and difference spectrum theory of singular value[J].Journal of Vibration Engineering,2011,24(5)：539-545. (in Chinese)

[10]趙學(xué)智,葉邦彥,陳統(tǒng)堅(jiān).奇異值差分譜理論及其在車床主軸箱故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2010,46(1)：100-108.

Zhao Xuezhi,Ye Bangyan,Chen Tongjian.Difference spectrum theory of singular value and its application to the fault diagnosis of headstock of lathe[J].Journal of Mechanical Engineering,2010,46(1)：100-108.(in Chinese)

[11]Tse P,Wang Dong.The design of a new sparsogram for fast bearing fault diagnosis：part 1 of the two related manuscripts that have a joint title as ″two automatic vibration-based fault diagnostic methods using the novel sparsity measurement-parts 1 and 2″[J].Mechanical Systems and Signal Processing,2013,40：499-519.

[12]王宏超,陳進(jìn),董廣明.基于最小熵解卷積與稀疏分解的滾動(dòng)軸承微弱故障特征提取[J].機(jī)械工程學(xué)報(bào),2013,49(1)：88-94.

Wang Hongchao,Chen Jin,Dong Guangming.Fault diagnosis method for rolling bearing′s weak fault based on minimum entropy deconvolution and sparse decomposition [J].Journal of Mechanical Engineering,2013,49(1)：88-94. (in Chinese)

[13]Qiu H,Lee J,Lin J,et al. Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J].Journal of Sound and Vibration,2006,289：1066-1090.

[14]胥永剛,孟志鵬,陸明,等.基于雙樹復(fù)小波和奇異差分譜的齒輪故障診斷研究[J].振動(dòng)與沖擊,2014,33(1)：11-16.

Xu Yonggang,Meng Zhipeng,Lu Ming,et al. Gear fault diagnosis based on dual-tree complex wavelet transform and singular value difference spectrum[J].Journal of Vibration and Shock,2014,33(1)：11-16. (in Chinese)

10.16450/j.cnki.issn.1004-6801.2016.04.014

國(guó)家自然科學(xué)基金資助項(xiàng)目(51307058，51475164)；河北省自然科學(xué)基金資助項(xiàng)目(E2014502052)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2015XS120)

2014-09-11；

2014-12-01

TH133.3； TH17

唐貴基，男，1962年10月生，教授。主要研究方向?yàn)闄C(jī)械結(jié)構(gòu)動(dòng)特性分析、振動(dòng)與噪聲控制、狀態(tài)監(jiān)測(cè)與故障診斷。曾發(fā)表《氣隙靜態(tài)偏心與定子短路復(fù)合故障對(duì)發(fā)電機(jī)定子振動(dòng)特性的影響》(《振動(dòng)工程學(xué)報(bào)》2014年第27卷第1期)等論文。

E-mail:tanggjlk@ncepubd.edu.cn