基于FAMVEMD和改進CYCBD的滾動軸承微弱故障診斷*

唐貴基，丁 傲,，王曉龍，張 曄，姜 超，李海明

(1.華北電力大學機械工程系，保定 071003；2.國網長春供電公司，長春 130021)

0 引言

滾動軸承廣泛應用于工業生產領域，但其工作環境惡劣，易發生故障，為保證設備及人員安全，對滾動軸承進行早期故障診斷意義重大[1]。然而實際運行中所測早期故障信號非平穩、非線性、周期性沖擊成分微弱，因此強噪聲下提取軸承微弱故障特征一直是該領域的研究熱點和難點[2]。

目前，常見的快速傅里葉變換、功率譜密度、經驗模態分解、小波變換等特征提取算法均針對單變量信號，對多測點信號同步分析無能為力。多元經驗模態分解(MVEMD)[3]可實現多元信息聯合分解，但存在多通道相互干擾、各模態層間不連續等問題[4]。為此，基于階數統計濾波器的快速自適應多元經驗模態分解(FAMVEMD)被提出，目前該算法已應用于檢測心臟瓣膜病變[5]，尚未在機械故障診斷領域應用。鑒于FAMVEMD的抗干擾能力強、計算速度快等優勢，在此嘗試將其應用于滾動軸承故障特征提取。

解卷積利用構造逆濾波器增強信號的沖擊特征。最小熵解卷積(MED)采用峭度作為逆濾波器的目標函數，但其對周期性脈沖不敏感。最大相關峭度解卷積(MCKD)采用相關峭度度量周期性脈沖，然而強背景噪聲下易引起相關峭度估計偏差，分析效果欠佳[6]。近年來，BUZZONI等[7]提出了循環平穩盲解卷積(CYCBD)，該算法以最大二階循環平穩指標(ICS2)為目標函數，周期性故障特征提取能力優于MED和MCKD。目前CYCBD已用于診斷軸承、齒輪的故障損傷[8-10]，但存在以下不足：①ICS2僅對特定周期進行解卷積，循環頻率設置的準確性嚴重影響解卷積效果；……