基于变分模态分解和SVM的滚动轴承故障诊断王新，闫文源(河南理工犬学电气工程与自动化学院，焦作454000)摘要:针对滚动轴承振动信号的非平稳特征和现实中难以获得人暈故障样本的实际情况，提出了基于变分模态分^(Variationalmodedecomposition,VMD)与支持向量机(S叩portvectormachine,SVM)相结合的滚动轴承故障诊断方法。该方法融介了变分模态分解和支持向就机的优势，通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分就，轴承发生不同故障时，不同木征模态函数内的频带能量会发生变化，从包含有主要故障信息的模态分量中提取能量特征作为SVM的输入，判断轴承的工作状态和故障类型。实验结果表明，该方法在少量样木情况下仍能有效地对轴承的工作状态和故障类型进行分类。关键词：变分模态分解；SVM；滚动轴承；故障诊断中图分类号：TN911.72；文献标识码：AFaultdiagnosisofrollerbearingsbasedonvariationalmodedecompositionandSVMWANGXin,YANWen-yuan(SchoolofElectricalEngineeringandAutomation,HenanPolytechnicUniversity,Jiaozuo454003,China)Abstract:Aimingatthenon-stationaryfeaturesofvibrationsignalsoftherollerbearingandthedifficultytoobtainalargenumberoffaultsamplesinpractice,afaultdiagnosismethodbasedonthevariationalmodedecompositionandthesupportvectormachine(SVM)wasputforward.ThismethodcombinestheadvantagesofthevariationalmodedecompositionandtheSVM・Originalbearingaccelerationvibrationsignalsaredecomposedintoafinitenumberofintrinsicmodefunctions.Thefrequencybandenergyofdifferentintrinsicmodefunctionschangeswhenthefaultoccurs・Toidentifythefaultpatternandthecondition,thefrequencybandenergyfeaturesextractedfromanumberofintrinsicmodefunctionscontainingthemostdominantfaultinformationcanserveasinputvectorsoftheSVM・Practicalexamplesshowthattheproposedmethodcanclassifytheworkingconditionofthebearingaccuratelyandeffectivelyeveninthecaseofsmallernumberofsamples-Keywords:variationalmodedecomposition;supportvectormachine;rollerbearing;faultdiagnosis滚动轴承是旋转机械的重要零部件，对滚动轴承的运行状态检测和故障模式的识别一直是机械故障诊断技术中的重点，及时发现并确定故障类型，对损伤的轴承进行更换或修复以避免连锁故障的发牛•能有效的降低设备维护成本山役经验模态分解(Empiricalmodedecomposition,EMD)作为一种H适应信号处理方法，一经提出就被广泛应用于滚动轴承故障特征提収上。例如，将EMD与AR模型相结合用于滚动轴承的故障诊断⑶；在滚动轴承早期故障诊断中采用EMD作为信号的降噪方法⑷，等等。作为一种递归式模态分解方法，EMD采用了基于极值点的包络求収方式，其包络估计误差经过多次递归分解而被放大，加上一般信号中都含冇噪声或者间歇信号，导致分解结果的模态混替现象非常普遍⑸。尽管在EMD的基础上对信号加入高斯白噪声，利用高斯口噪声具有频率均布的统计特性，使加入噪声后的信号在不同程度上具冇连续性，从而改善了模态混叠现象21。但是，加入的噪声幅值大小需要人为经验决定，因此存在噪声幅值优化问题。变分模态分解(Variationalmodedecomposition,VMD)是一•种新的信号处理方法。该方法在获収模态分量的过程中通过迭代搜寻变分模型最优解來确定每个模态分量的频率中心和带宽，从而能够口适应地在频域剖分信号和有效分离各分量向，可以在复杂工业环境中以更好的方式來提収信号的关键信息。VMD突出了数据的局部特征，表现出更好的噪声鲁棒性，且具有良好的采样效应，相对于EMD更为优越®。因此，本文采川VMD方法进行滚动轴承振动信号分解,并从包含冇主要故障信息的模态分量中提取能量特征作为故障特征，进一步结合支持向量机(Supportvectormachine,SVM)的分类优势，将提収的故障特征作为SVM的输入向量进行故障诊断。实验证明，本文提出的VMD与SVM相结合的故障诊断方法具有更高的准确率。1VMD基本原理与算法1.1VMD基本原理VMD是一种完全非递归的信...