关乎整个设备正常运行的滚动轴承极易发生故障,且常是多故障并存,导致轴承复合故障诊断困难。VMD算法对诊断滚动轴承复合故障具有良好的频带分割、抗模态混叠和抑制噪声的优点。但当VMD控制参数[K,α]选取不当时,会造成频带分解失效、轴承复合故障分离不彻底。为此提出基于樽海鞘群算法(SSA)改进VMD的分离诊断方法。采用SSA自适应选取[K,α]对信号进行VMD,通过包络熵和峭度综合筛选敏感IMF,对敏感IMF进行Autogram共振频带提取,采用包络解调提取各自的故障特征频率。通过仿真信号和实测信号验证分析,可知基于SSA优化VMD算法对复合轴承故障有很好的分离诊断能力。

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。