Page 200 - 《振动工程学报》2025年第9期

第 38 卷第 9 期 振 动 工 程 学 报 Vol. 38 No. 9
2025 年 9 月 Journal of Vibration Engineering Sept. 2025

基 于 AVME-OMOMEDA 的 滚 动 轴 承 复 合 故 障 诊 断

刘志军 ， 周 俊 ， 伍 星 ， 刘 韬 1,2
1,2
1
1,2
（1. 昆明理工大学机电工程学院，云南 昆明 650500； 2. 云南省先进装备智能制造技术重点实验室，云南 昆明 650500）

摘要：传统算法难以有效分离提取共振频带重叠的轴承复合故障特征，本文提出一种结合自适应变分模态提取（adaptive
variational mode extraction，AVME）与优化多点最优最小熵反褶积（optimized multipoint optimal minimum entropy deconvolution
adjusted，OMOMEDA）的自适应滚动轴承复合故障特征分离提取方法。利用 S 变换谱自相关能量谱确定 VME 参数中心频率
的初始值，提取出与故障相关的期望模态；将期望模态进行线性叠加重构原信号，实现对信号的降噪；利用 OMOMEDA 从重
构信号中提取周期性脉冲信号，结合包络解调获取故障特征频率。仿真信号和试验信号验证了该方法能有效分离提取共振
频带重叠的轴承复合故障特征，并与 VMD-MCKD 等其他 4 种已有算法进行比较，证明了所提方法的优越性。
关键词： 故障诊断；滚动轴承；自适应变分模态提取；优化多点最优最小熵反褶积；S 变换谱自相关能量谱
+
+
中图分类号：TH165 .3；TP206 .3 文献标志码：A DOI：10.16385/j.cnki.issn.1004-4523.202310059

Compound fault diagnosis of rolling bearing based on AVME-OMOMEDA

1,2
1
1,2
LIU Zhijun ，ZHOU Jun ，WU Xing ，LIU Tao 1,2
（1.Faculty of Mechanical & Electrical Engineering，Kunming University of Science & Technology，Kunming 650500，China；
2.Advanced Equipment Intelligent Manufacturing Technology of Yunnan Key Laboratory，Kunming 650500，China）
Abstract： Traditional algorithms are difficult to effectively separate and extract the composite fault features of bearings with overlapping
resonance bands，an adaptive rolling bearing composite fault feature separation and extraction method combining adaptive variational mode
extraction (AVME) and optimized multi-point optimal minimum entropy deconvolution adjusted (OMOMEDA) is proposed in this paper. The
initial value of the center frequency of the VME parameter is determined by using the autocorrelation energy spectrum of S transform
spectrum，and the desired modes related to the fault are extracted. Then the desired modes are linearly superimposed to reconstruct the original
signal to realize the noise reduction of the signal. Extract periodic pulse signals from the reconstructed signal using OMOMEDA, and obtain
fault characteristic frequencies by combining with envelope demodulation. The simulation and test signals verify that the method can effectively
separate and extract the composite fault features of bearings with overlapping resonance bands. And compared with four other existing
algorithms such as VMD-MCKD，the superiority of the proposed method is demonstrated.
Keywords：fault diagnosis； rolling bearing； adaptive variational mode extraction； optimized multipoint optimal minimum entropy
deconvolution；autocorrelation energy spectrum of S transform spectrum

滚动轴承作为一种基本的机械设备零部件，被 障特征。
广泛应用于工业生产制造、铁路运输和汽车工业等 DRAGOMIRETSKIY 等 [4] 提 出 变 分 模 态 分 解
领域，其是否安全稳定会直接影响整个机械设备的 （variational mode decomposition， VMD） ， 将 信 号 分 解
运行 。然而，滚动轴承的实际工作状况恶劣，易因 为一系列不同中心频率的窄带本征模态函数，克服
[1]
轴承内部的点蚀、剥落、裂纹等而失效，从而导致整 了局部均值分解与经验模态分解存在模态混叠、端
个机械设备不能安全运行 。因此，对滚动轴承进行 点效应、对噪声敏感等缺点 。但 VMD 分解效果受
[5]
[2]
故障诊断与状态监测显得尤为重要。通过传感器采 其参数的影响，分解层数过少或过多都会导致分解
集的振动信号进行故障诊断最为常见，但轴承的故 效果不佳；当分解的分量较多时，选择与故障特征相
障特征往往被噪声淹没，导致轴承故障无法被准确 关的分量也很繁琐，即缺乏针对性 。为此，NAZARI
[6]
[3]
判断 ，因此学者提出了一系列算法来提取轴承的故 等 [7] 提出了变分模态提取（variational mode extraction，

收稿日期：2023-10-25；修订日期：2023-12-29
基金项目：国家自然科学基金资助项目（52065030）；云南省科技厅重大专项（202202AC080008）；云南省教育厅科学研究
基金资助项目（2023J0138）；云南省科技厅基础研究专项（202301AT070439）