基于VMD 樣本熵和改進極限學習機的滾動軸承故障診斷

封成東，李玥，封成智

（1. 甘肅農業大學信息科學技術學院，甘肅 蘭州 730000；2. 甘肅省生產力促進中心，甘肅 蘭州 730000）

隨著工業現代化進程的推進，旋轉機械設備趨向高可靠性、高精度、低故障率發展，滾動軸承作為旋轉機械設備的重要元件，其工作穩定性對設備安全可靠運行有重要影響。如何在滾動軸承的生命周期內準確、快速的識別軸承的局部或者早期故障并進行預防性維修是設備管理的重要內容，也是降低維修和運行成本、提高設備運轉率的必然要求。

當滾動軸承出現損傷缺陷甚至局部失效時，其運行過程中產生的振動信號必然會發生變化，振動信號呈現出非線性、非平穩性特征［1］。在實際工程應用中，通過監測旋轉設備的運行工況，采集滾動軸承的振動信號數據，利用信號處理工具深入挖掘振動數據中蘊含的時頻等狀態信息，并提取有效的信息特征是實現滾動軸承故障診斷的有效方法。變分模態分解（VMD）是由Dragomiretskiy［2］等提出的解析信號時頻特性的方法，該算法在求解變分問題的過程中能夠實現頻域的自適應劃分，將信號劃分為指定個數的調幅調頻的模態分量，同時確定不同模態分量的中心頻率和帶寬［3］，有效的避免虛假分量的產生，廣泛應用于復雜的、非平穩信號的處理和故障模式識別領域。向玲等［4］采用VMD 算法對滾動軸承信號進行分解、模態分量的篩選和重構，分析重構信號的Teager能量譜并提取軸承故障特征頻率，仿真結果驗證了基于VMD和Teager能量譜故障識別模型的有效性，而且要優于EEMD 算法。……