馬增強(qiáng)， 柳曉云， 張俊甲， 王建東

(石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，石家莊 050043)

VMD和ICA聯(lián)合降噪方法在軸承故障診斷中的應(yīng)用

馬增強(qiáng)， 柳曉云， 張俊甲， 王建東

(石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，石家莊 050043)

針對(duì)振動(dòng)信號(hào)易受噪聲干擾的影響、故障特征提取困難的問(wèn)題，提出一種基于變分模態(tài)分解(Variational Mode Decomposition, VMD)和獨(dú)立分量分析(Independent Component Analysis, ICA)相結(jié)合的去噪方法。該方法首先利用VMD算法將振動(dòng)信號(hào)分解成若干不同頻率的本征模態(tài)分量(Intrinsic Mode Function, IMF)，有效的抑制了LMD分解中存在的模態(tài)混疊現(xiàn)象和端點(diǎn)效應(yīng)等問(wèn)題，然后依據(jù)峭度準(zhǔn)則選取相應(yīng)分量進(jìn)行重構(gòu)，引入虛擬噪聲通道；最后利用FastICA將重構(gòu)后信號(hào)再次進(jìn)行去噪處理，分離出有效的故障特征分量，從而識(shí)別故障類型。將該方法應(yīng)用到滾動(dòng)軸承故障數(shù)據(jù)中，并與LMD-ICA方法作對(duì)比，結(jié)果表明，提出方法不僅能夠有效的解決去噪過(guò)程中丟失故障信息以及由于模態(tài)混疊導(dǎo)致噪聲不能完全去除的問(wèn)題，還能更清晰、準(zhǔn)確地提取出故障特征頻率。

變分模態(tài)分解；獨(dú)立分量分析；降噪；滾動(dòng)軸承；故障診斷

滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中不可或缺的部件之一，據(jù)統(tǒng)計(jì)，在旋轉(zhuǎn)機(jī)械中，約有30% 的機(jī)械故障由滾動(dòng)軸承引起，滾動(dòng)軸承質(zhì)量的好壞對(duì)機(jī)械設(shè)備工作狀況有很大影響。因此，對(duì)滾動(dòng)軸承的故障診斷具有重要的意義。

機(jī)械系統(tǒng)中，由于受復(fù)雜背景噪聲以及其它干擾源影響，導(dǎo)致故障特征難以精確地提取出來(lái)。一些學(xué)者在振動(dòng)信號(hào)降噪方面做了大量研究。Wu等[1]提出了經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)算法，這是目前廣泛使用的一種自適應(yīng)信號(hào)處理方法，把非平穩(wěn)信號(hào)分解成不同頻段的模態(tài)分量進(jìn)而轉(zhuǎn)化成平穩(wěn)信號(hào)進(jìn)行分析。蘇文勝等[2]將EMD應(yīng)用到滾動(dòng)軸承早期故障診斷中，實(shí)現(xiàn)了軸承故障診斷。吳小濤等[3]針對(duì) EMD 的模態(tài)混疊，用集成經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)清晰地提取到故障特征信息，該方法可自適應(yīng)地實(shí)現(xiàn)非平穩(wěn)振動(dòng)信號(hào)降噪。

Lin[4]提出了局部均值分解(Local Mean Decomposition，LMD)。陳亞農(nóng)等[5]將LMD算法應(yīng)用到滾動(dòng)軸承故障診斷中，并提取出故障特征頻率。鞠萍華等[6]通過(guò)LMD得到若干個(gè)PR(Production Functions)分量，并對(duì)每一個(gè)分量進(jìn)行能量算子解調(diào)，從而進(jìn)行故障診斷，并指出了該方法優(yōu)于EEMD診斷方法。

EEMD或者LMD被廣泛地應(yīng)用在故障特征提取方面，然而兩者都屬于遞歸“篩選”模態(tài)，存在端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，且受采樣頻率影響，分解誤差較大。文獻(xiàn)[7]提出一種自適應(yīng)信號(hào)處理新方法-變分模態(tài)分解(Variational Mode Decomposition，VMD)，該方法通過(guò)迭代搜尋變分模型最優(yōu)解從而確定每個(gè)分解分量的頻率中心和帶寬，可以自適應(yīng)地實(shí)現(xiàn)信號(hào)的頻域剖分和各分量的有效分離。相比EEMD和LMD的遞歸“篩選”模態(tài)，VMD將信號(hào)分解轉(zhuǎn)化為非遞歸、變分模態(tài)分解模態(tài)，表現(xiàn)出更好的噪聲魯棒性。

獨(dú)立分量分析(Independent Component Analysis, ICA)是一種基于樣本高階統(tǒng)計(jì)信息的新的信號(hào)處理方法[8-10]，目前已廣泛應(yīng)用在通信信號(hào)處理、語(yǔ)音信號(hào)降噪等各個(gè)領(lǐng)域。為了進(jìn)一步提高降噪效果，在以上研究的基礎(chǔ)上，本文提出一種基于VMD與ICA聯(lián)合降噪的方法，并將該方法應(yīng)用在滾動(dòng)軸承的故障診斷中。通過(guò)對(duì)實(shí)測(cè)數(shù)據(jù)分析結(jié)果表明，本文提出方法能夠有效地實(shí)現(xiàn)特征信號(hào)提取，相比其他方法降噪效果更好。

1 VMD-ICA聯(lián)合降噪方法基本原理

1.1 變分模態(tài)分解原理

VMD是一種新的信號(hào)分解估計(jì)方法，是基于經(jīng)典維納濾波、希爾伯特變換和混頻的變分問(wèn)題求解過(guò)程，該方法通過(guò)迭代搜尋變分模型最優(yōu)解從而確定每個(gè)分解分量的頻率中心和帶寬，可以自適應(yīng)地將信號(hào)分解成具有稀疏特性的分量[11-13]。

假設(shè)每個(gè)模態(tài)是具有中心頻率的有限帶寬，中心頻率和帶寬在分解過(guò)程中不斷更新，VMD分解是尋求K個(gè)估計(jì)帶寬之和最小的模態(tài)函數(shù)uk(t)，k∈{1,2,…,K}，各模態(tài)之和為輸入信號(hào)f。通過(guò)以下步驟確定每個(gè)模態(tài)函數(shù)的帶寬：

(1) 為了獲得模態(tài)函數(shù)的解析信號(hào)，對(duì)每個(gè)模態(tài)函數(shù)uk(t)進(jìn)行希爾伯特變換，即

(1)

式中：t為時(shí)間，是大于0的正數(shù)；δ(t)為沖擊函數(shù)；{uk(t)}={u1(t),u2(t),…,uK(t)}為分解得到的K個(gè)IMF分量。

(2) 對(duì)各模態(tài)解析信號(hào)預(yù)估中心頻率e-jωkt進(jìn)行混合，將每個(gè)模態(tài)的頻譜調(diào)制到相應(yīng)的基頻帶，即

(2)

式中，{ωk}={ω1,…,ωK}為各IMF分量uk(t)的中心頻率。

(3) 計(jì)算以上解調(diào)信號(hào)的梯度的平方L2范數(shù)，估計(jì)出各模態(tài)分量的帶寬。對(duì)應(yīng)的約束變分模型表達(dá)式為

(3)

為了求取上述約束變分問(wèn)題，引入二次懲罰因子α與Lagrange乘法算子λ(t)，其中α為足夠大的正數(shù)，可在高斯噪聲存在的情況下保證信號(hào)的重構(gòu)精度，Lagrange算子使得約束條件保持嚴(yán)格性，擴(kuò)展的Lagrange表達(dá)式為

L({uk(t)},{ωk},λ(t))=

(4)

(5)

式中，i∈{1,2,…,K}且i≠k。利用傅里葉等距變換，將式(5)轉(zhuǎn)變到頻域后用ω-ωk代替ω，并將得到的結(jié)果轉(zhuǎn)換為負(fù)頻率區(qū)間積分的形式，則優(yōu)化問(wèn)題的解為

k∈{1,2,…,K}

(6)

根據(jù)同樣的過(guò)程，求得中心頻率更新方式

(7)

(2) 執(zhí)行循環(huán)n=n+1；

(8)

式中，τ為時(shí)間常數(shù)，常取為0。

(5) 給定判別精度ε>0，重復(fù)上述步驟，直到滿足迭代停止條件

(9)

1.2 峭度準(zhǔn)則

峭度是反映隨機(jī)變量分布特性的數(shù)值統(tǒng)計(jì)量，是歸一化的4階中心矩。

(10)

式中：μ、σ分別為信號(hào)的均值和標(biāo)準(zhǔn)差；E(x)為變量x的期望值。峭度系數(shù)對(duì)軸承早期故障比較敏感，當(dāng)軸承沒(méi)有任何故障時(shí)振動(dòng)信號(hào)近似服從正態(tài)分布，而正態(tài)分布的峭度系數(shù)約等于3；當(dāng)軸承逐步發(fā)生故障，工作表面出現(xiàn)損傷引起機(jī)械沖擊時(shí)，其振動(dòng)信號(hào)概率密度偏離正態(tài)分布，峭度系數(shù)值增加較快。所以可以推斷出，峭度值越大說(shuō)明這些IMF分量中包含有更多的沖擊成分，對(duì)這些分量進(jìn)行重構(gòu)，則合成的信號(hào)峭度值會(huì)明顯提高，包含的故障特征信息越多、故障特征越明顯。

1.3 ICA算法基本原理

獨(dú)立分量分析是一種盲信源分離技術(shù)。該方法是指在先驗(yàn)信息很少的情況下，僅通過(guò)觀測(cè)信號(hào)來(lái)估計(jì)有用源信號(hào)的一種新型信號(hào)處理方法。模型為

假設(shè)x(t)=(x1(t),x2(t),…,xm(t))T為m個(gè)觀測(cè)信號(hào)，s(t)=(s1(t),s2(t),…,sn(t))T為n個(gè)未知的相互獨(dú)立的源信號(hào)，x(t)中各分量可由s(t)各獨(dú)立信源線性表示，用矩陣可表示為

x(t)=As(t)

(11)

式中：x(t)為觀測(cè)矩陣；s(t)為信號(hào)源矩陣；A為一個(gè)未知的滿秩的m×n的混合系數(shù)矩陣(m≥n)。ICA的目的是要在信號(hào)源矩陣s(t)和系數(shù)矩陣A均未知的情況下，利用統(tǒng)計(jì)學(xué)途徑獲得分離矩陣W，使得分離矩陣滿足

y(t)=Wx(t)=WAs(t)

(12)

式中，y(t)為源信號(hào)s(t)的估計(jì)。獨(dú)立分量分析是最新提出的算法，其目的是使非高斯數(shù)據(jù)可以被線性表示。從線性變換角度來(lái)看，源信號(hào)即為相互獨(dú)立的非高斯信號(hào)，也可稱之為線性空間的基信號(hào)，而觀測(cè)信號(hào)則是源信號(hào)的線性表示。ICA就是在源信號(hào)和系數(shù)矩陣A均未知的情況下，從混合信號(hào)中估計(jì)出有用的輸入信號(hào)。該算法在統(tǒng)計(jì)獨(dú)立的意義下對(duì)混合信號(hào)進(jìn)行分離，從而提取出混合信號(hào)中的有用信號(hào)，相比傳統(tǒng)的自適應(yīng)濾波方法效果更好。

2 VMD-ICA聯(lián)合降噪方法研究

由于軸承故障信號(hào)具有能量小、頻帶分布寬、易受其它震源干擾等問(wèn)題，單獨(dú)使用VMD算法對(duì)信號(hào)進(jìn)行處理可能導(dǎo)致故障特征信息不能被完全提取出來(lái)。而獨(dú)立分量分析目前的研究大都是基于多觀測(cè)通道(即要求振動(dòng)傳感器的個(gè)數(shù)大于等于振動(dòng)源信號(hào)。本文首先將故障信號(hào)進(jìn)行VMD分解得到若干IMFs分量，然后依據(jù)峭度準(zhǔn)則將IMF分量重構(gòu)，引入虛擬噪聲通道，由于引入信號(hào)包含原始信號(hào)先驗(yàn)信息，所以避免了盲目引入噪聲信號(hào)導(dǎo)致處理結(jié)果不佳的影響。接下來(lái)對(duì)重構(gòu)信號(hào)進(jìn)行FastICA解混，最后對(duì)降噪后的信號(hào)進(jìn)行能量算子解調(diào)，并將理論值與解調(diào)后的頻率進(jìn)行對(duì)比，識(shí)別故障類型。算法流程如圖1所示，主要步驟為：

圖1 VMD-ICA聯(lián)合降噪算法流程圖

步驟1 獲取振動(dòng)信號(hào)，初始化模態(tài)數(shù)K=2，懲罰因子α和帶寬τ使用默認(rèn)值，α=2 000，τ=0。

步驟3 判斷中心頻率是否相近，如果相近，則確定模態(tài)數(shù)為K=K-1，否則以模態(tài)數(shù)K=K+1繼續(xù)進(jìn)行步驟2。

步驟4 計(jì)算各個(gè)IMF分量的峭度值，依據(jù)峭度準(zhǔn)則將IMF分量進(jìn)行分組重構(gòu)，得到觀測(cè)信號(hào)s1(t)，并構(gòu)造虛擬通道信號(hào)s2(t)。

步驟5 利用FastICA算法對(duì)步驟4得到的觀測(cè)信號(hào)s1(t)和虛擬通道信號(hào)s2(t)進(jìn)行解混，得到聯(lián)合降噪后信號(hào)y1(t)。

步驟6 對(duì)步驟5得到的信號(hào)進(jìn)行能量算子解調(diào)，提取故障特征頻率，并與軸承特征頻率的理論值進(jìn)行對(duì)比，從而識(shí)別故障類型。

3 實(shí)驗(yàn)分析

為了驗(yàn)證本文提出方法在滾動(dòng)軸承故障特征提取中的有效性，采用實(shí)際軸承內(nèi)圈故障信號(hào)進(jìn)行驗(yàn)證，實(shí)驗(yàn)平臺(tái)如圖2所示的QPZZ-Ⅱ旋轉(zhuǎn)機(jī)械故障試驗(yàn)臺(tái)。本實(shí)驗(yàn)測(cè)試參數(shù)及軸承技術(shù)參數(shù)如表1所示，由軸承特征頻率理論計(jì)算公式可得到內(nèi)圈故障頻率f=37.5 Hz。滾動(dòng)軸承內(nèi)圈故障振動(dòng)信號(hào)時(shí)域及頻域波形如圖3所示。

表1 軸承測(cè)試參數(shù)與技術(shù)參數(shù)

圖2 QPZZ-Ⅱ旋轉(zhuǎn)機(jī)械故障試驗(yàn)臺(tái)

(a)內(nèi)圈故障振動(dòng)信號(hào)波形(b)內(nèi)圈故障振動(dòng)信號(hào)頻譜

圖3 內(nèi)圈故障信號(hào)時(shí)域波形及頻譜

Fig.3 Waveform and spectrum of the bearing inner fault

本文將從故障信號(hào)分解效果方面、信號(hào)去噪方面以及故障信號(hào)頻率檢測(cè)精度方面進(jìn)行分析，并通過(guò)和LMD-ICA方法進(jìn)行對(duì)比說(shuō)明本文方法的有效性和優(yōu)越性。

3.1 故障信號(hào)分解效果對(duì)比

為了防止出現(xiàn)欠分解和過(guò)分解現(xiàn)象，根據(jù)不同的K值對(duì)應(yīng)的各個(gè)模態(tài)中心頻率來(lái)確定分解次數(shù)。由表2可知當(dāng)K=5時(shí)中心頻率相差較大，出現(xiàn)了欠分解現(xiàn)象；而K=7時(shí)出現(xiàn)了中心頻率相近的模態(tài)分量，發(fā)生了過(guò)分解現(xiàn)象。因此最終選取模態(tài)數(shù)K=6，分解結(jié)果如圖4(a)所示。為了進(jìn)行比較，將同一故障信號(hào)進(jìn)行了LMD處理，結(jié)果如圖4(b)所示。

表2 不同K值各個(gè)模態(tài)分量的中心頻率

(a) VMD模態(tài)分量波形及頻譜

(b) LMD模態(tài)分量波形及頻譜

圖4 軸承故障信號(hào)分解結(jié)果

Fig.4 Decomposition results of the original signal

從分解時(shí)域圖中可以看出，VMD分解在一定程度上克服了LMD中存在的模態(tài)混疊和端點(diǎn)效應(yīng)問(wèn)題。而且從頻譜圖中可以看出，LMD的頻段分離不是很分明，尤其是第一頻譜分量，在整個(gè)頻率范圍內(nèi)幾乎都有分量，而VMD的各個(gè)頻段的分離效果則較好。

3.2 重構(gòu)信號(hào)去噪效果對(duì)比

3.2.1 實(shí)測(cè)信號(hào)分析

計(jì)算VMD分解后各個(gè)IMF分量的峭度值，如表3所示。由表3可知，IMF1、IMF2峭度值較大，說(shuō)明其保留了原始信號(hào)中最多的沖擊特征，故提取這兩個(gè)IMF分量進(jìn)行原始信號(hào)重構(gòu)，剩余分量重構(gòu)作為虛擬噪聲通道，由于噪聲通道的構(gòu)成包含了原始信號(hào)本身部分的先驗(yàn)信息，避免了盲目選擇噪聲信號(hào)引起處理效果不佳的影響。重構(gòu)信號(hào)如圖5(a)、圖5(b)所示，將重構(gòu)信號(hào)利用FastICA方法進(jìn)行分離，分離結(jié)果如圖5(c)、圖5(d)所示。將同一故障信號(hào)進(jìn)行LMD分解后，計(jì)算各個(gè)分量的峭度值如表4所示，選取前三個(gè)分量進(jìn)行重構(gòu)，并利用FastICA方法進(jìn)行分離，圖6(a)～圖6(d)為用LMD-ICA方法對(duì)信號(hào)進(jìn)行處理得到的結(jié)果。

表3 IMFs分量峭度值

(a)重構(gòu)故障信號(hào)(b)重構(gòu)噪聲信號(hào)(c)獨(dú)立分量IC1(d)獨(dú)立分量IC2

圖5 本文所提方法分析結(jié)果

Fig.5 Analysis results with the proposed method

表4 IMFs分量峭度值

圖5、圖6定性地反映了以上兩種方法的去噪效果，從圖中可以看出，F(xiàn)astICA算法可有效地從混合信號(hào)中提取出有用信號(hào)，將噪聲信號(hào)和有用信號(hào)分離開，由于ICA沒(méi)有任何關(guān)于原始信號(hào)的先驗(yàn)知識(shí)，具有不確定性，所以解混后信號(hào)幅值可能不同，但是并不影響對(duì)信號(hào)的分析。

(a)重構(gòu)故障信號(hào)(b)重構(gòu)噪聲信號(hào)(c)獨(dú)立分量IC1(d)獨(dú)立分量IC2

圖6 LMD-ICA算法分析結(jié)果

Fig.6 Analysis results with LMD-ICA

為了定量地分析重構(gòu)故障信號(hào)在以上兩種方法降噪后的去噪效果，選取峭度值(K)、峰值信噪比(PSNR)作為降噪后效果的評(píng)價(jià)指標(biāo)。峭度值說(shuō)明了重構(gòu)信號(hào)中包含的故障特征信息，峭度值越大則說(shuō)明信號(hào)中故障信息越多；峰值信噪比則反映了信號(hào)的去噪能力，峰值信噪比越大則說(shuō)明去噪效果越好。

表5 降噪結(jié)果對(duì)比

3.2.2 仿真信號(hào)分析

在以上研究的基礎(chǔ)上，構(gòu)造如下仿真信號(hào)。其中，幅值A(chǔ)=1；衰減系數(shù)K=800；系統(tǒng)共振頻率ωr=2×pi×1 000；u(t)為單位階躍函數(shù)；設(shè)定信號(hào)的故障特征頻率fr=128；滾珠和滾道之間微小滑動(dòng)對(duì)故障特征頻率的影響因子τi為0.01/fr-0.02/fr之間的隨機(jī)數(shù)，采樣頻率為25 600 Hz，n(t)為白噪聲。故障仿真信號(hào)的波形及頻譜如圖 7(a)、圖7(b)所示。

(13)

相關(guān)系數(shù)反映了去噪后信號(hào)與原始信號(hào)之間整體波形的相似程度，在仿真信號(hào)中加入不同的信噪比，用相似度指標(biāo)進(jìn)一步比較以上兩種方法的去噪性能，曲線圖如圖8所示。從圖中可以看出，在不同信噪比情況下本文提出方法得到的去噪信號(hào)與原始信號(hào)相似度更高。尤其是在信噪比較低的情況下，本文提出方法仍能有效地降低噪聲的干擾能力，在去噪方面效果更好。

(a)故障仿真信號(hào)波形(b)故障仿真信號(hào)頻譜

圖7 仿真信號(hào)波形及頻譜

Fig.7 Waveform and spectrum of simulated signals

圖8 信噪比-相似度曲線圖

3.3 故障信號(hào)頻率檢測(cè)精度對(duì)比

將降噪后的信號(hào)分別進(jìn)行能量算子解調(diào)得到相應(yīng)能量譜，如圖9(a)、圖9(b)所示。圖10(a)、圖10(b)為用LMD-ICA方法得到的能量譜。依據(jù)文獻(xiàn)[14]，本文定義故障頻率檢測(cè)精度為

(a)獨(dú)立分量IC1能量譜(b)獨(dú)立分量IC2能量譜

圖9 本文所提方法分析結(jié)果

圖10 LMD-ICA分析結(jié)果

Fig.10 The analysis results of LMD-ICA

4 結(jié) 論

振動(dòng)信號(hào)中常受到噪聲的影響，這些干擾導(dǎo)致故障特征提取困難，基于此本文提出了基于VMD和FastICA聯(lián)合降噪的方法，并應(yīng)用于軸承故障特征提取中，通過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證了提出方法的實(shí)用性和有效性，結(jié)論如下：

(1) 通過(guò)VMD將信號(hào)進(jìn)行分解，引入了虛擬噪聲通道，既解決了盲目引入噪聲導(dǎo)致處理結(jié)果不佳的影響，又解決了ICA算法不能對(duì)單通道信號(hào)進(jìn)行處理的問(wèn)題。

(2) 通過(guò)峭度值選擇相應(yīng)分量重構(gòu)，避免了盲目選擇分量，造成故障特征信息丟失的弊端，同時(shí)對(duì)比了將重構(gòu)信號(hào)進(jìn)行ICA解混后的降噪效果，驗(yàn)證了本文提出方法在降噪方面的優(yōu)越性。

(3) 相較于LMD-ICA方法，本文提出方法解決了去噪過(guò)程中丟失故障信息以及由于模態(tài)混疊導(dǎo)致噪聲不能完全去除的問(wèn)題。

[1] WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.

[2] 蘇文勝，王奉濤，張志新，等. EMD降噪和譜峭度法在滾動(dòng)軸承早期故障診斷中的應(yīng)用[J]. 振動(dòng)與沖擊，2010，29(3)：18-21.

SU Wensheng, WANG Fengtao, ZHANG Zhixin, et al. Application of EMD denoising and spectral kurtosis in early fault diagnosis of rolling element bearings[J]. Journal of Vibration and Shock, 2010, 29(3): 18-21+201.

[3] 吳小濤，楊錳，袁曉輝，等. 基于峭度準(zhǔn)則EEMD及改進(jìn)形態(tài)濾波方法的軸承故障診斷[J]. 振動(dòng)與沖擊，2015，34(2)：38-44.

WU Xiaotao, YANG Meng, YUAN Xiaohui, et al. Bearing fault diagnosis using EEMD and improved morphological filtering method based on kurtosis criterion[J]. Journal of Vibration and Shock, 2015，34(2)：38-44.

[4] LIN Jinshan. Fault diagnosis of gearboxes based on the local mean decomposition method[J]. Intelligent Information Technology Application Association, 2011，141：559-563.

[5] 陳亞農(nóng)，郜普剛，何田，等．局部均值分解在滾動(dòng)軸承故障綜合診斷中的應(yīng)用[J]．振動(dòng)與沖擊，2012，31(3)：73-78．

CHEN Yanong, GAO Pugang, HE Tian, et al. Roller bearing comprehensive fault diagnosis based on LMD[J]. Journal of Vibration and Shock, 2012, 31(3): 73-78.

[6] 鞠萍華，秦樹人，趙玲．基于LMD的能量算子解調(diào)方法及其在故障特征信號(hào)提取中的應(yīng)用[J]．振動(dòng)與沖擊，2011,30(2)：1-4．

JU Pinghua, QIN Shuren, ZHAO Ling. Energy operator demodulating approach based on LMD and its application in extracting characteristics of a fault signal[J]. Journal of Vibration and Shock, 2011, 30(2): 1-4.

[7] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2013, 62(3): 531-544.

[8] HYVARINEN A, KARHUNEN J, OJA E. Independent component analysis[M]. New York: John Wiley, 2001.

[9] 張俊紅，李林潔，馬文朋，等. EMD-ICA聯(lián)合降噪在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 中國(guó)機(jī)械工程，2013，24(11)：1468-1472.

ZHANG Junhong, LI Linjie, MA Wenpeng, et al. Application of EMD-ICA to fault diagnosis of rolling bearings[J]. China Mechanical Engineering，2013，24(11)：1468-1472.

[10] 姚家馳,向陽(yáng),李勝楊,等. 基于VMD-ICA-CWT的內(nèi)燃機(jī)噪聲源識(shí)別方法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，44(7)：20-24.

YAO Jiachi, XIANG Yang, LI Shengyang, et al. Noise sources identification method of internal combustion engine based on VMD-ICA-CWT[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition)，2016，44(7)：20-24.

[11] 武英杰，甄成剛，劉長(zhǎng)良．變分模態(tài)分解在風(fēng)電機(jī)組故障診斷中的應(yīng)用[J]．機(jī)械傳動(dòng)，2015，39(10)：129-132．

WU Yingjie, ZHEN Chenggang, LIU Changliang. Application of variational mode decomposition in wind power fault diagnosis[J].Journal of Mechanical, 2015, 39(10): 129-132.

[12] 趙洪山，郭雙偉，高奪.基于奇異值分解和變分模態(tài)分解的軸承故障特征提取[J].振動(dòng)與沖擊，2016，35(22)：183-188.

ZHAO Hongshan, GUO Shuangwei, GAO Duo. Fault feature extraction of bearing faults based on singlular value decomposition and variational modal decomposition[J].Journal of Vibration and Shock,2016,35(22):183-188.

[13] 唐貴基，王曉龍．參數(shù)優(yōu)化變分模態(tài)分解方法在滾動(dòng)軸承早期故障診斷中的應(yīng)用[J]．西安交通大學(xué)學(xué)報(bào)，2015，49(5)：73-81．

TANG Guiji, WANG Xiaolong. Parameter optimized variational mode decomposition method with application to incipient fault diagnosis of rolling bearing[J]. Journal of Xi’an Jiaotong University, 2015, 49(5): 73-81.

[14] 熊偉,呂英華. 視頻紅信號(hào)頻譜識(shí)別中波峰搜索算法研究[J]. 軟件，2012，11：190-193．

XIONG Wei, Lü Yinghua. Peak finding in the identify of video red signal spectrum[J]. Software,2012, 11: 190-193.

Application of VMD-ICA combined method in fault diagnosis of rolling bearings

MA Zengqiang, LIU Xiaoyun, ZHANG Junjia, WANG Jiandong

(Electrical and Electronics Engineering, Shijiazhuang Railway University, Shijiazhuang 050043, China)

In order to solve the problem of fault features of rolling bearings being difficult to extract, the signal analysis method of variational mode decomposition(VMD) combined with independent component analysis(ICA) was proposed here. At first, VMD was used to decompose a multi-component vibration signal into a number of quasi-orthogonal intrinsic mode functions (IMFs) to effectively suppress problems, such as, mode mixing, end effect and so on existing in LMD algorithm. Then the kurtosis criterion was used to choose the corresponding IMFs to be reconstructed, and to induce a virtual noise channel. Finally, the reconstructed signal was denoised again with the fastICA, the effective fault feature components were extracted and the fault types were identified. In order to verify the effectiveness of the proposed method, this method was applied in fault diagnosis of rolling bearings, its effect was compared with that of LMD-ICA algorithm. The results demonstrated that the proposed method can not only solve problems of losing fault information and not enough eliminating noise due to mode mixing in denoising process, but also extract fault feature frequencies more clearly and correctly.

rolling bearing; variational mode decomposition (VMD); noise reduction; independent component analysis (ICA); fault diagnosis

國(guó)家自然科學(xué)基金(11227201；11372199；11572206)；河北省自然科學(xué)基金(A2014210142)

2016-07-18 修改稿收到日期：2016-10-17

馬增強(qiáng) 男，博士，教授，1975年生

柳曉云 女，碩士生，1991年生

TH165+.3

A

10.13465/j.cnki.jvs.2017.13.032