全文总字数：6348字

摘 要：针对旋转机械中转子早期故障特征提取困难问题，近年来有了较好的信号处理方法——变分模态分解（VMD）方法。由于VMD算法的信号处理结果受两个参数（惩罚参数和分量个数）影响，所以如何实现最佳的处理效果，就取决于这两个参数的组合选择。国内外学者运用不同的算法对VMD的参数进行计算，并取得了一些成果。本文介绍了国内外许多有关于基于VMD的转子故障诊断方法及应用的文章。并作出了自己的一些见解和总结。

关键词：变分模态分解；转子故障诊断；特征提取

引言

轴承在旋转机械设备中承担关键角色，由于其大多工作在恶劣环境下，所以在运行过程中故障常有发生，轴承一旦发生故障，将影响设备的正常工作，甚至造成事故危及生命。但在噪声环境下，轴承早期微弱故障信号特征提取困难，所以找到一种能都有效监测与诊断轴承故障的方法具有十分重要的意义。

当轴承出现故障时，会出现周期性的脉冲信号，并产生与之相对应的调制信号，不同的故障对应不同的故障频率，如何有效地提取出这些故障特征频率，是进行轴承故障诊断的关键性问题。从机械设备现场采集的震动信号往往具有非线性、非平稳特征，信号中存在较强的窄带脉冲干扰和随机信号，大量的窄带脉冲干扰会淹没故障特征信号，严重影响了故障特征信号的识别。

2014年Konstantin Dragomiretskiy等^[17]提出一种自适应信号处理新方法——变分模态分解（Variational Model Decomposition,VMD），该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频域剖分及各分量的有效分离。同EMD方法比较，VMD方法具有牢固的数学理论基础，同时摒弃了递归筛分剥离这一信号分解方式的束缚，因此能够有效缓解或避免EMD方法中存在的不足，并且具有较高的运算率。

2 研究现状

2.1国外研究现状

朱军等^[21]提出一种基于参数优化的自适应VMD方法，采用对瞬态脉冲分量敏感的峰度作为优化指标来评价VMD的性能。通过人工鱼群算法，基于峰度指数对VMD中的两个参数，即分解模式和数据保真约束进行同步优化。用获得的参数执行VMD，得到最优的BLIMF。最优BLIMF的频谱分析可以有效地识别局部裂纹引起地特征频率。

张明等^[22]通过失效机理分析建立了不同位置缺陷滚动轴承故障信号计算模型，通过FFT和包络分析研究了所提出地故障模型的模拟振动信号。然后将VMD应用于滚动轴承故障诊断中，通过模拟振动信号和实际振动信号来检测不同位置地故障特征。