第 43 卷 第 3 期 噪 声 与 振 动 控 制 Vol 43 No.

3
2023 年 6 月 NOISE AND VIBRATION CONTROL Jun.2023

1006-1355(2023)03-0102-08
文章编号：

基于参数自适应 VMD 和 MCKD 的

滚动轴承微弱故障特征提取
刘迎松 1 ，魏志刚 1 ，束海星 1 ，刘晓超 2 ，陆 强2
（ 1. 安徽工业大学 机械工程学院，安徽 马鞍山 243032;
2. 马钢（集团）股份有限公司，安徽 马鞍山 244500 ）
摘 要： 针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、 微弱故障特征难以提取的问题， 提出
一种将参数优化变分模态分解（Variational Mode Decomposition， VMD）与最大相关峭度解卷积（Maximum Correlated
Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先 ，利用经麻雀搜索算法（Sparrow
Search Algorithm, SSA）优化的 VMD 对故障信号进行自适应分解， 构建加权峭度指标以筛选有效模态分量； 然后对有
效模态分量利用经 SSA 优化后的 MCKD 进行增强； 最后， 对增强后的信号进行包络解调分析， 提取出轴承故障特征频
率。实验和工程实际案例分析表明， 所提出的方法能够自适应增强轴承信号中的微弱冲击成分， 有效提取出强噪声背
景下的滚动轴承微弱故障特征。
关键词： 故障诊断； 滚动轴承； 麻雀搜索算法（SSA）；
变分模态分解； 最大相关峭度解卷积； 特征提取
中图分类号： TH133.3；TN911.7 文献标志码： A DOI 编码：
10.3969/j.issn.1006-1355.2023.03.017

Weak Fault Feature Extraction of Rolling Bearings Based on

Parameter Adaptive VMD and MCKD
LIU Yingsong 1, WEI Zhigang 1, SHU Haixing 1,
LIU Xiaochao 2, LU Qiang2
( 1. School of Mechanical Engineering, Anhui University of Technology,
Maanshan 243032, Anhui, China;
2. Maanshan Iron and Steel Co., Ltd., Maanshan 244500, Anhui, China )
Abstract : Aiming at the problem of low signal-to-noise ratio (SNR) and the difficulty for extraction of weak fault
features of rolling bearing fault signals under complex transmission path and strong noise interference, a method of weak
fault feature extraction of rolling bearings based on the combination of parameter-optimized variational mode decomposition
(VMD) and maximum correlated kurtosis deconvolution (MCKD) is proposed. Firstly, the sparrow search algorithm (SSA)
is used to optimize the VMD for adaptive decomposition of the fault signal, and the weighted kurtosis index (WKI) is
constructed to screen the effective modal component. Then, the effective modal component is enhanced using the SSA-
optimized MCKD. Finally, the enhanced signal is analyzed by envelope deconvolution to extract bearing fault feature
frequencies. Results of experiments and practical engineering case analysis show that the proposed method can adaptively
enhance the weak shock components of the bearing signal and effectively extract the weak fault characteristics of the
bearings from strong background noise.
Key words : fault diagnosis; rolling bearing; sparrow search algorithm (SSA); variational mode decomposition (VMD);
maximum correlated kurtosis deconvolution (MCKD); feature extraction

滚动轴承在工业旋转机械中应用广泛，
作为旋
2022－01－19
收稿日期： 转机械的重要零部件，
其健康状况直接影响整个机
基金项目：
安徽省重点研发计划资助项目（202004h07020005）
械设备运行的精度和可靠性[1]。在实际运行过程中，
作者简介：刘迎松（1998－）， 男，合肥市人， 硕士研究生，
专业
滚动轴承发生局部故障时产生的冲击特征非常微
方向为轴承状态监测和故障诊断。
E-mail: 1220136550@qq.com 弱，
在强背景噪声和复杂传输路径的干扰下很难提
通信作者：魏志刚， 男， 硕士生导师， 专业方向为机械设备的 取出故障特征。因此，
如何对故障信号进行有效去
故障诊断及健康监测。 噪和增强周期性冲击特征，
成为了滚动轴承微弱故
 第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 103

障诊断的关键[2]。 1 参数优化 VMD-MCKD 方法

滚动轴承发生局部故障时产生的信号是一种非
1.1 变分模态分解（VMD）
）
线性、
非平稳信号，
目前处理该类信号的故障诊断方
法 ，主 要 有 经 验 模 态 分 解（Empirical Mode VMD 算法通过迭代搜索构造的变分模型的最
Decomposition，
EMD）、自适应噪声完备集合经验模 优 解 来 确 定 带 宽 限 制 的 本 征 模 态 分 量（Intrinsic
态 分 解 （Complete Ensemble Empirical Mode mode function，IMF），它可以将一个实际信号 x ( t )
Decomposition With Adaptive Noise，CEEMDAN）和 分解为 K 个模态分量信号 u k 。VMD 算法的实现过
局 部 均 值 分 解（Local Mean Decomposition，LMD） 程本质上是变分问题的求解过程，
包括约束变分模
等。虽然这些方法在不同程度上提取出了轴承故障 型的构建和求解两部分。约束变分模型描述如下：
ì ì K 2ü
ï min ïí∑ ∂ t éê ( δ ( t ) + j ) *u k ( t ) ùú e-jω t  ý
特征信息，
但是其本质上都基于递归分解原理，
存在 k

模态混叠、
端点效应等问题，
不能有效处理强噪声干 ï { u }, { ω } ï k = 1 ë πt û 2þ
í
k k
î (1)
ï s.t.∑u k = x ( t )
Dragomiretskiy 等[3] 提出一
扰下的故障信号。为此， ï K

种完全非递归自适应分解方法即变分模态分解 î k=1
（VMD）。而 VMD 对不确定的信号进行分解，需要 为 求 解 式（1）的 最 优 解 ，引 入 惩 罚 因 子 α 和
预先设置模态分解个数 K 惩罚因子 α ，
不同参数值的 Lagrange 乘法算子 λ ，
把约束变分问题转化为无约束
设置直接影响 VMD 分解效果。对此，
李永琪等 利 [4]
变分问题，
得到增广的拉格朗日函数，
利用交替方向
用平均样本熵和加权合成峭度构建综合指标分别对 乘子法对其进行求解，
然后通过傅里叶等距变换求
VMD 参数 K 和 α 进行选取；
李华等[5]通过搜索 VMD 解 u nk + 1 和 ω nk + 1 ，
具体表达式为：
λ̂ ( ω )
x̂ ( ω ) - ∑û i ( ω ) + (
分解分量信息熵最小值确定 VMD 参数。需要指出
)
的是上述方法虽然利用不同指标对 VMD 分解参数 ̂u nk + 1 ( ω ) = i≠k 2
(2)
K 和 α 先后进行选取，
获得较好的分解降噪效果，
但 1 + 2α ( ω - ω k )2

∫ ω | u ( ω ) | dω
∞ 2
没有考虑 K 和 α 的交互作用，
存在无法选取最优参 k
n+1
= 0

∫ | u ( ω ) | dω
数组合的问题。 ω k (3)
∞ 2
k
为 了 消 除 噪 声 和 传 输 路 径 的 干 扰 ，Mcdonald 0

等[6]提出了最大相关峭度解卷积（MCKD），
该算法可 式中 ：û nk + 1 ( ω ) 、x̂ ( ω ) 、û i ( ω ) 、λ̂ ( ω ) 分别为 u nk + 1 ( t ) 、
以从故障信号中解卷积出周期性脉冲成分，
增强信 x ( t )、
u i ( t )、
λ ( t ) 对应的傅里叶变换。
号的冲击特征， 有效提取出微弱故障特征信息。然 VMD 的详细推导见文献[3]。
MCKD 降噪效果直接受滤波器长度 L 、
而， 解卷积周 1.2 最大相关峭度解卷积（MCKD）
）
期 T 和移位数 M 影响，
参数设置不合理会严重影响
MCKD 算法为增强原始信号中微弱的周期性脉
故障诊断的结果。为此，
文献[7－8]分别采用粒子
冲，
利用相关峭度最大化作为目标函数，
通过迭代的
群算法和量子遗传算法自适应选择 MCKD 参数 L 和
方式来搜寻最佳滤波器 f = [ f 1 , f 2 , ..., f L ] ，
使得滤波后
T，
但忽略了移位数 M 对卷积后信号冲击数量影响。
输出信号 y 相关峭度最大。
文献[9]采用布谷鸟算法对参数 L 和 M 进行寻优，但
MCKD 算法的目标函数为：
是未考虑周期 T 会随轴承元件的滑动改变， 从而影
∑( ∏y n - mT )2
N M

响分解结果的准确性。
max CK M ( T ) = max n=1 m=0
(4)
( ∑y )
麻雀搜索算法（SSA）是 Xue 等[10]在 2020 年提出 f f N
2 M+1
n
的一种新群体智能优化算法，
在收敛速度、
稳定性和 n=1

全局搜索能力方面优于上述优化算法。基于上述分 y n 为周期冲击信号，
式中： T 为冲击信号的周期，
M为
本文将 VMD 与 MCKD 进行结合，
析， 以最小包络谱 滤波器移位数。
熵为适应度函数 ，采用 SSA 优化 VMD 参数对故障 为了得到最优滤波器， 对上述优化方程求导：
根据 WKI 指标筛选有效分量。 d
信号进行分解降噪， CK M ( T ) = 0 ( l = 1, 2, ⋯, L ) (5)
利用 SSA 优化 MCKD 参数[L、T、M]，
对有效分量进 df l
行解卷积增强，
实现轴承故障特征信息的有效提取， L 为滤波器的长度。将变量 l 分别代入式（5），
式中：
通过实验和工程实测信号对本文方法进行验证。 并表示为矩阵形式， 滤波器系数最终可以表示为：
∥y∥2
∑
M
f = ( X 0 X 0 )
T -1
( X mT α m ) (6)
2∥β∥2 m=0
 104 噪 声 与 振 动 控 制 第 43 卷

其中： 个体和其对应的当前最佳位置 X best。

é x 1 - mT x 2 - mT x 3 - mT ⋯ x N - mT ù Step3 根据式（8）更新具有较好适应度的个体
ê 0 x 1 - mT x 2 - mT ⋯ x N - mT - 1 ú
（发现者）所处的空间位置。
X mT = ê 0 0 x 1 - mT ⋯ x N - mT - 2 ú
ê ú ìï X t ⋅ exp ( - i ) R < ST
ê ⋮ ⋮ ⋮ ⋱ ⋮ ú X i,t j+ 1 = í
i, j
α⋅M
2
(8)
ë 0 0 0 ⋯ x N - mT - ( L - 1 ) û L × N
î X i, j + Q ⋅ L R 2 ≥ ST
ï t

é y -11- mT ( y 21 y 21 - T⋯y 21 - mT ) ù X i, j 表示麻雀在第 j 维的位置，

式中： α 是处于 ( 0, 1 ] 的
êê y -12- mT ( y 21 y 21 - T⋯y 22 - mT ) úú
α m = êê úú M 为最大迭代次数，
随机数， Q 是随机数，
服从正态
êê ⋮ úú
ë y 1 - mT ( y N y N - r⋯y N - mT ) û N × 1
-1 2 2 2 预警值 R 2 ∈ ( 0, 1 ]，
分布， 安全值 ST ∈ ( 0.5, 1 ]。
根据式（9）更新适应度值较低的个体（加入者）
é y 1 y 1 - T⋯y 1 - mT ù
ê y 2 y 2 - T⋯y 2 - mT ú 所处的空间位置。
β= ê ú
⋮ ì X worst - X i,t j n
ê ú Q ⋅ exp ( ) i>
ë y 2N y N - T⋯y N - mT û N × 1
ï
ï 2
2 (9)
X i,t j+ 1 = í i
MCKD 算法的迭代过程如下： ïï X Pt + 1 + | X i,t j - X Pt + 1 | ⋅ A+ ⋅ L i ≤ n
î 2
（1）确定冲击信号的滤波器长度 L、
周期 T、
移位 X worst 是当前迭代次数下全局最差位置，
式中： X P 是发
数 M； 现者的最优位置。
（2）计算原始信号 x 的 X T、 ( X 0 X 0T )-1 ；
X 0T、 根据式（10）更新初始位置随机产生的部分个体
（3）计算滤波器输出信号 y ； （警戒者）所处的空间位置。
（4）根据 y 计算 α m 与 β ； ì X best
t
+ λ| X i,t j - X best
t
| fi > fg

( )
ïï
（5）更新滤波器系数 f ； X i,t j+ 1 = í t | X i,t j - X worst
t
| ⋅ A+ L f ≤ f (10)
后信号 ΔCK M ( T ) < ε ，
如果滤波前、 则停止迭代， ïï X i, j + K
( fi - fg ) + ε
i g

î
否则跳回步骤（3）。
式中： X best 是当前迭代次数下全局最佳位置， λ 是步
1.3 基于 SSA 的 VMD、
MCKD 参数优化
、 K 为处于 [ -1, 1 ] 的随机数，
长控制参数， f i 和 f g 分别
SSA 作为一种新型群智能优化算法，
以其调整 是当前个体适应度值和全局最优适应度值。
参数少、
实现简单、
计算速度快而得到广泛应用。根 Step4 在迭代过程中对比更新前后种群中麻雀
据文献[11]中将 SSA 与其他优化算法进行综合比较 个体的适应度值的大小，
更新最优个体和对应的最
SSA 算法在搜索全局最优解、
的实验结果表明， 收敛 优位置 X best。
速度和鲁棒性方面有明显的优越性。因此，
本文采 Step5 重复进行 Step3～Step4，
直到满足最大迭
用麻雀搜索算法对 VMD、
MCKD 算法中的参数进行 代次数， 否则转至 Step3。
输出最优位置，
自适应选取，
以包络熵作为适应度函数，
其值大小可 采 用 SSA 优 化 VMD、MCKD 具 体 步 骤 如 图 1
以反映振动信号的稀疏特性，
故障特征信息越多，
波 所示。
形的脉冲越规律，
包络熵值越小。因此，
选定包络熵
1.4 加权峭度指标
局部极小值作为 SSA 优化结果的判断依据 ，实现
采用 SSA-VMD 算法将原始信号分解为一系列
VMD、
MCKD 参数组合寻优，包络熵 E p 表达式如下：
IMF 分量，
这些分量中包含较多的故障特征信息，
但
íE p = -∑p i lgp i
ì N
(7) 同时也包含噪声信息。为了筛选出有效模态分量，
î i=1
通常采用峭度、
相关系数等统计量进行选择，峭度指
p i 为包络信号的概率分布序列。
式中：
标对冲击信号敏感，
是一个很好检测周期性冲击的
采 用 SSA 优 化 VMD、MCKD 参 数 具 体 过 程
指标，
但是其中分布分散和振幅大的分量容易被忽
如下：
略，
而相关系数可以反映分量与原始信号的相关性，
Step1 初始化 SSA 的各项参数，
根据文献[12]并
但其受噪声影响较大 ；
因此 ，为了克服两者的局限
结合多次实验结果，
设定麻雀搜索算法中参数如下：
性 ，引 入 加 权 峭 度 指 标（Weighted kurtosis index，
麻雀数量 n = 20 ，
最大迭代次数 M = 30 ，安全值 ST =
WKI）将这个两个指标结合，
计算公式如下[13] ：
0.6 ，
发现者比例 PD = 0.7 ，
警戒者比例 SD = 0.2。
WKI ( i ) = Ku ( i )∙C ( i ) (11)
Step2 计算每只麻雀在当前位置对应的适应度
Ku ( i ) 为各 IMF 分量峭度值，
式中： C ( i ) 为各 IMF 分
值，
并对其进行排序，
找到当前具有最优适应度值的
量与原始信号的相关系数。
 第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 105

进行对比，
诊断故障类型。

3 实验信号分析
采用美国西储大学的滚动轴承数据集对所提方
法进行验证。实验测试轴承型号为 6205-2RS JEM
SKF，
采用电火花加工技术对实验轴承进行点蚀来
布 置 单 点 故 障 ，故 障 直 径 为 0.177 8 mm，深 度 为
0.279 4 mm。本节中分析驱动端外圈和内圈故障，
分别在采集的外圈和内圈数据中添加-8 dB 和-6 dB
的高斯白噪声，
来模拟实际工况条件下轴承被强背
景噪声淹没的微弱故障信号。实验中主轴转速为
1 750 r/min（转频 f r = 29.17 Hz），
负载为 2 hp，
采样频
率 f s 为 12 000 Hz，
采样长度选取 4 096 个点。根据理
论 计 算 公 式 计 算 得 到 轴 承 外 圈 故 障 频 率 fo =
104.55 Hz ，
内圈故障频率 f i = 157.94 Hz。
如图 2 至图 3 所示为外圈和内圈故障信号的时
域波形及包络谱。
图 1 采用 SSA 优化 VMD、
MCKD 参数流程图

2 故障诊断流程
本文提出基于 SSA-VMD-MCKD 实现 VMD 和
MCKD 最佳参数组合的自适应选取方法，
最大限度
的发挥了在强背景噪声干扰下的提取滚动轴承微弱
故障的优势。
具体步骤如下：
（1）采用 SSA 算法对 VMD 参数 K、α 进行寻
优 ，SSA 参数设置同第 1.3 小节 Step1，VMD 参数寻
优 区 间 参 考 文 献 [14] 并 结 合 多 次 实 验 确 定 ，设 定
VMD 分 解 模 态 个 数 K ∈ [ 3, 10 ] ，惩 罚 因 子
α ∈ [ 500, 2 000 ]。执行 SSA 算法寻优，
以经 VMD 分
图 2 外圈故障信号时域波形及包络谱
解后模态分量的包络谱熵为适应度搜索最优参
数 K 0、α 0。
（2）根据寻优结果 ，对原始信号进行 VMD 分
得到 K 0 个 IMF 分量，
解， 计算各个 IMF 分量的 WKI
选取最大 WKI 值对应的分量进行下一步分析。
值，
令 f 为包
（3）对选定的分量进行包络解调分析，
络谱中接近故障特征频率的突出成分频率。设定
设置滤波器长度 L ∈ [ 500, 1 000 ] ，
MCKD 寻优区间，
解 卷 积 周 期 T ∈ [ f s ∕ f - 10, f s ∕ f + 10 ][13] ，移 位 数
M ∈ [ 1, 7 ] 。 对 选 定 IMF 分 量 执 行 SSA 搜 索 ，以 经
MCKD 处理后信号的包络熵为适应度函数搜寻最优
参数 L、T、M。
（4）基 于 寻 优 的 最 佳 参 数 对 选 定 分 量 进 行
MCKD 处理 ，对处理后的信号进行包络解调分析。
图 3 内圈故障信号时域波形及包络谱
提取包络谱中幅值突出的频率与轴承故障特征频率
由于强背景噪声的影响时域波形中周期性冲击
 106 噪 声 与 振 动 控 制 第 43 卷

特征被完全淹没；
包络谱中外圈故障特征频率成分 设定 MCKD 参数[L，
T，M]寻优区间，
对选定分
不突出，
无法进行有效诊断，
需要对故障信号进行进 量基于经 SSA 优化的 MCKD 进行增强，
优化迭代曲
一步的分析。 线如图 7 所示，
得到 MCKD 最佳参数组合[901，
112，
3.1 外圈故障分析 7]。

利用本文所提的方法对外圈故障信号进行分
析 ，首 先 采 用 SSA 算 法 对 VMD 参 数 [ K, α ] 进 行
寻优 ，进化曲线如图 4 所示 ，得到 VMD 最佳参数
[6,654]。

图 7 经 SSA 优化 MCKD 进化曲线

采用 MCKD 增强 IMF3 后的处理结果如图 8 所

示，
在时域波形中可以清晰看出周期性冲击成分，
包
络谱中外圈故障特征频率 f o 及其多倍频成分突出。
图 4 经 SSA 优化 VMD 进化曲线 所提方法可以有效的提取外圈故障特征信息，
由此
设定参数进行 VMD 分解，
分解后的分量图如图 可判定轴承发生外圈故障。
5 所示。各分量 WKI 值如表 1 所示，
选取指标最大的
IMF3 分量进行分析。IMF3 包络谱如图 6 所示，
从图
中可观察出突出成分对应的频率为 105.5 Hz，
从而
计算出 MCKD 周期 T 的寻优区间为[103,124]。

图 8 外圈故障信号处理结果

3.2 内圈故障分析
利用本文所提的方法对内圈故障信号进行分
图 5 基于 VMD 分解外圈故障信号结果
析 ，首先采用 SSA 算法对 VMD 参数 [ K, α ] 进行寻
表 1 经 VMD 分解所得各分量 WKI 值
得到 VMD 最佳参数组合为[8,1395]。设定参数
优，
分量 IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 对内圈故障信号进行 VMD 分解 ，得到各模态分量
WKI 1.165 1.332 1.916 1.282 1.207 1.218 WKI 值如表 2 所示，
选取指标最大的 IMF5 分量进行
分析。分量 IMF5 包络谱如图 9 所示，
从图中可以看
出突出成分对应频率为 158.2 Hz，
计算出 MCKD 周
期 T ∈ [ 65, 86 ]。
表 2 基于 VMD 分解各分量 WKI 值

分量 IMF1 IMF2 IMF3 IMF4

WKI 1.078 1.042 1.074 1.082
分量 IMF5 IMF6 IMF7 IMF8
图 6 分量 IMF3 包络谱
WKI 1.545 1.349 1.146 1.109
 第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 107

设定 MCKD 参数[L，T，M]寻优区间 ，执行 SSA SSA 算法的最小包络熵值为

从图中可以看出，
搜 索 ，得 到 MCKD 最 佳 参 数 组 合 [582，77，5]。 对 12.766 0，
在第 10 代收敛，
而遗传算法和粒子群算法
IMF5 进行 MCKD 增强后的分析结果如图 10 所示。 的最小包络熵值和迭代次数均大于 SSA 算法所得结
果。对比结果表明 SSA 算法在求解速度和寻优精度
上的优势。
为进一步验证本文所提方法的有效性，
首先采
用 CEEMDAN 对本节第 3.1 小节外圈故障信号进行
得到 13 个 IMF 分量，
分析， 去除相关系数小于 0.1 的
伪分量，
计算剩余分量的加权峭度值，
选取指标最大
的分量进行 SSA-MCKD 参数寻优，
寻优区间设定与
图 9 分量 IMF5 包络谱 第 3.1 小 节 一 致 ，经 SSA 搜 索 得 到 最 佳 参 数 组 合
[599，
107，
6]。设定参数对选定分量进行 MCKD 增
分析结果如图 12 所示。包络谱图中只能观测故
强，
障特征频率 f o ，
且频率成分混杂，
无法准确判断轴承
故障类型。

图 12 CEEMDAN-SSA-MCKD 包络谱

其次对第 3.1 小节的外圈故障信号直接利用

图 10 内圈故障信号处理结果 SSA-MCKD 进行分析 ，
优化区间与第 3.1 小节设定
在时域波形中可以清晰的观察到周期性冲击成 得到 MCKD 最佳参数组合[550，
一致， 125，
5]。外圈
包络谱中内圈故障特征频率 f i 及其多倍频成分
分， 故障信号解卷积后包络谱如图 13 所示，
从包络谱中
突出。由此，
可以判定轴承发生内圈故障。 无法观测出轴承外圈故障特征频率及其倍频，
诊断
方法失效。说明直接优化 MCKD 提取强噪声下微
3.3 对比分析
与第 3.1 小节对比验证
弱故障特征信息的效果不佳，
为验证 SSA 算法在参数选择上优势，
分别利用
了本文所提方法的有效性。
遗传算法、粒子群算法与 SSA 算法对 VMD 参数进
以经 VMD 分解后的最小包络熵值和收敛迭
行优化，
代次数作为对比的依据。设置各优化算法初始参数
种群规模 N = 20 ，
如下： 最大迭代次数 30。对比结果
如图 11 所示。

图 13 外圈故障信号 SSA-MCKD 包络谱

图 11 3 种优化算法的寻优对比曲线
4 实际工程案列分析
以某钢厂混合机（规格 Φ5.1 × 24.5 m）托轮轴承
（轴承型号为 23272CA/W33）为例，
进一步验证本文
所提方法的有效性。根据文献[15]可知托轮轴承分
解更换时滚动体上出现点蚀故障。为此，
对先前采
 108 噪 声 与 振 动 控 制 第 43 卷

已知采样频率为 625 Hz，

集的故障数据进行分析， 轴 最 小 熵 解 卷 积 修 正（Multipoint Optimal Minimum
承转速为 23.5 r/min，分析数据点数选取 8 192 个。 Entropy Deconvolution Adjusted，MOMEDA）进行对
根据经验公式计算出托轮轴承滚动体故障频率为 比分析 ，设置参数与上述经 SSA 优化的 MCKD 相
2.73 Hz。 对选定的分量 IMF 进行处理，
同， 结果如图 17 所示。
图 14 所示为实测故障信号时域波形，
因该托轮 虽然经过 OMEDA 解卷积后，
从图中可以观察到， 包
轴承为低速重载轴承，
运行环境恶劣且背景噪声强 络谱中存在滚动体故障频率的基频 ，经 MOMEDA
烈，
导致故障信号十分微弱且周期性冲击特征完全 解卷积分量后的包络谱中也存在故障频率的二倍
被淹没，
给故障特征提取带来很大的困难。因此，
需 频，
但是它们都与其他噪声频率相混合，
无法准确判
要对故障信号进一步分析处理。 断故障类型。

图 14 实测故障信号

首先利用 SSA-VMD 进行参数寻优 ，得到参数

1256]，
组合[10， 对实测信号进行 VMD 分解，
各分量
的 WKI 值如表 3 所示，
其对应指标最大分量 IMF1 包
络谱如图 15 所示，
最接近故障频率的突出成分频率
计算出参数 T ∈ [ 217, 237 ]。
f 为 2.75 Hz，
表 3 经 VMD 分解各分量 WKI 值 图 16 分量 IMF1 解卷积后时域波形及包络谱
分量 IMF1 IMF2 IMF3 IMF4 IMF5
WKI 2.928 1.598 0.291 0.162 0.068
分量 IMF6 IMF7 IMF8 IMF9 IMF10
WKI 0.046 0.033 0.035 9 0.045 0.041 8

图 15 分量 IMF 包络谱

用经 SSA 优化的 MCKD 对 IMF1 进行增强，

优化
225，
结果为[700， 7]，
分析结果如图 16 所示，
从时域
波形中可以明显观察到周期性冲击特征，
即包络谱 图 17 两种方法对实测信号的分析结果

中滚动体故障频率的 1、
2、3 倍频。通过上述分析可 可以得出经过 SSA 优化的 MCKD 能够有
由此，
以判断出混合机托轮轴承滚动体发生故障。 效增强冲击特征和提取故障特征信息，
同时验证了
对比验证：
采用两种典型的解卷积算法即优化 优化 VMD 与 MCKD 结合识别微弱故障特征的有
最 小 熵 解 卷 积 修 正（Optimal Minimum Entropy 效性。
Deconvolution Adjusted，OMEDA）和多点优化最优
 第3期 基于参数自适应 VMD 和 MCKD 的滚动轴承微弱故障特征提取 109

5 结 语 correlated Kurtosis deconvolution and application on gear

tooth chip fault detection[J]. Mechanical Systems and
针对强背景噪声环境下滚动轴承微弱故障特征 Signal Processing, 2012, 33: 237-255.
难以提取的问题 ，提出一种参数自适应的 VMD 和 [7] 唐贵基，
王晓龙 . 自适应最大相关峭度解卷积方法及其
MCKD 轴 承 故 障 诊 断 方 法 。 基 于 经 SSA 改 进 的 在轴承早期故障诊断中的应用[J]. 中国电机工程学报，
VMD 算法自适应搜索得到分解层数和惩罚因子的 2015，
35(6)：
1436-1444.
经 VMD 分解后通过 WKI 指标筛选有效
最佳组合， [8] LYU X, HU Z, ZHOU H, et al. Application of improved
MCKD method based on QGA in planetary gear
模态分量能够有效保留故障信息。对选定的分量基
compound fault diagnosis[J]. Measurement, 2019, 139:
于经 SSA 改进的 MCKD 算法进行最佳解卷积处理，
236-248.
最大程度上降低信号中的噪声干扰，
突出微弱冲击
[9] TANG G, WANG X, HE Y. Diagnosis of compound faults
成分。实验信号和工程实测信号验证结果表明，
利 of rolling bearings through adaptive maximum correlated
用 SSA 优化 VMD 和 MCKD 结合可以有效提取出强 kurtosis deconvolution[J]. Journal of Mechanical Science
背景噪声下的微弱故障特征频率及其多倍频，
准确 and Technology, 2016, 30(1): 43-54.
判断轴承的故障类型。 [10] XUE J, SHEN B. A novel swarm intelligence optimization
approach: sparrow search algorithm[J]. Systems Science
参考文献：
and Control Engineering, 2020, 8(1): 22-34.
[1] ZHOU X, LI Y, JIANG L, et al. Fault feature extraction for [11] 李雅丽，
王淑琴， 等 . 若干新型群智能优化算法
陈倩茹，
rolling bearings based on parameter-adaptive variational 2020，
的对比研究[J]. 计算机工程与应用， 56(22)：
1-12.
mode decomposition and multi-point optimal minimum [12] 张守京，
慎明俊， 等 . 采用参数自适应最大相关
杨静雯，
entropy deconvolution[J]. Measurement, 2021, 173: 峭度解卷积的滚动轴承故障特征提取[J]. 西安交通大
108469. 2022(3)：
学学报， 75-83
[2] MENG Z, ZHANG Y, ZHU B, et al. Research on rolling [13] DIBAJ A, HASSANNEJAD R, ETTEFAGH M M, et al.
bearing fault diagnosis method based on ARMA and Incipient fault diagnosis of bearings based on parameter-
optimized MOMEDA[J]. Measurement, 2022,189: 110465. optimized VMD and envelope spectrum weighted
[3] DRAGOMIRETSKIY K, ZOSSO D. Variational mode kurtosis index with a new sensitivity assessment threshold
decomposition[J]. IEEE Transactions on Signal [J]. ISA Transactions, 2021, 114: 413-433.
Processing, 2013, 62(3): 531-544. [14] 高晓芝，
王磊， 等 . 基于参数优化变分模态分解的
田晋，
[4] 李永琪，
彭珍瑞 . 基于参数自适应的 VMD 滚动轴承故障 混合储能功率分配策略研究[J/OL]. 储能科学与技术 .
2021，
诊断[J]. 噪声与振动控制， 41(5)：
139-146. https://doi. org/10. 19799/j. cnki. 2095-4239. 2021. 0374.
[5] 李华，
伍星， 等 . 基于信息熵优化变分模态分解的
刘韬， 2021-10-15.
滚动轴承故障特征提取[J]. 振动与冲击 ，2018，37(23)： [15] 宁毅， 周建雄 . 基于改进 EMD 和小波阈值的混
魏志刚，
219-225. 合 机 低 速 重 载 轴 承 故 障 诊 断 [J]. 噪 声 与 振 动 控 制 ，
[6] MCDONALD G L, ZHAO Q, ZUO M J. Maximum 2020，
40(6)：
134-139.

􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗􀥗
(上接第 94 页)

[10] 刘倩，
李正飞， 等 . 多联机系统故障类型识别及
丁新磊， [14] 石明宽，
赵荣珍 . 基于局部边缘判别投影的机械故障诊
2021，
故障细化诊断模型研究[J]. 制冷学报， 42(2)：
118- 断方法[J]. 振动、 2021，
测试与诊断， 41(1)：
126-132+204.
126+136. [15] 方喜峰，
于超， 等 . 基于支持向量机的船用柴油机
章振，
[11] 黄大荣，
陈长沙， 等 . 复杂装备轴承多重故障的
孙国玺， 装配质量预测[J]. 组合机床与自动化加工技术 ，2021
线性判别分析与反向传播神经网络协作诊断方法[J]. (9)：
62-66.
2017，
兵工学报， 38(8)：
1649-1657. [16] 赵明利，
袁一鸣， 等 . 基于特征选择和模糊支持
宋士杰，
[12] 梁礼明， 吴健 . 正交局部保持投影早期故障特征
吴武林， 2020
向量机的刀具磨损状态识别[J]. 制造技术与机床，
2016，
提取方法[J]. 机械设计与研究， 32(2)：
143-146. (11)：
115-120.
[13] 庞海，
向秋洁 . 基于独立特征选择和局部保持投影的故 [17] 杨晓俊，
朱兴龙 . 基于局部平衡判别投影的往复压缩机
2020，
障诊断[J]. 机械设计与研究， 36(3)：
35-39. 故障诊断方法[J]. 机械设计与研究 ，2022，38(1)：215-
218+224