Page 174 - 《振动工程学报》2026年第3期

第 39 卷第 3 期 振 动 工 程 学 报 Vol. 39 No. 3
2026 年 3 月 Journal of Vibration Engineering Mar. 2026

波形自适应小波分解及其在滚动轴承

故障诊断中的应用

齐鹏宇 1，2 ， 郑近德 1，2 ， 潘海洋 1，2 ， 程 健 1，2 ， 童靳于 1，2

（1. 安徽工业大学机械工程学院，安徽 马鞍山 243032； 2. 安徽省智能破拆装备工程实验室，安徽 马鞍山 243032）

摘要: 形状自适应模态分解（shape⁃adaptive mode decomposition，SAMD）是一种非线性和非平稳信号分解方法，该方法对非谐
波信号具有较理想的分解效果，但是存在噪声鲁棒性较差，易出现振幅和相位错误估计等问题。对此，本文提出了一种名为波
形自适应小波分解（waveform⁃adaptive wavelet decomposition，W A WD）的改进 SAMD 方法。该方法通过二阶同步压缩变换和
时频脊线提取估计出信号的幅值信息和相位信息；通过非线性回归模型和多项式拟合对原信号进行分解，将信号分解为多个
具有时变的振幅、频率和非正弦振荡模式的波形分量；对时变波形分量进行小波阈值降噪处理，达到故障特征增强的目的。将
W A WD 应用于滚动轴承故障仿真信号及实测数据，结果表明，W A WD 能够有效地提取出滚动轴承故障特征信息。将该方法与
形状自适应模态分解、经验模态分解、变分模态分解以及经验小波变换等现有方法进行对比，结果表明，W A WD 在故障特征提
取中具有显著的优势。
关键词: 故障诊断； 滚动轴承； 形状自适应模态分解； 小波阈值降噪
+
中图分类号: TH165 .3； TH133.3 文献标志码: A DOI：10.16385/j.cnki.issn.1004-4523.202407058
Waveform adaptive wavelet decomposition and its application

in rolling bearing fault diagnosis

1，2
1，2
1，2
1，2
QI Pengyu ， ZHENG Jinde ， PAN Haiyang ， CHENG Jian ， TONG Jinyu 1，2
（1.School of Mechanical Engineering， Anhui University of Technology， Ma’anshan 243032，China；
2.Anhui Intelligent Demolition Equipment Engineering Laboratory， Ma’anshan 243032，China）
Abstract: Shape-adaptive mode decomposition （SAMD） is a nonlinear and nonstationary signal decomposition method that per⁃
forms well in decomposing non-harmonic signals. However， SAMD suffers from poor noise robustness and is prone to amplitude and
phase estimation errors. To address these issues， this paper proposes an improved SAMD method called waveform-adaptive wavelet
decomposition （WAWD）. The WAWD method estimates the amplitude and phase information of the signal through second-order
synchrosqueezing transform and time-frequency ridge extraction. It decomposes the original signal into multiple waveform compo⁃
nents with time-varying amplitudes， frequencies， and non-sinusoidal oscillation modes using a nonlinear regression model and poly⁃
nomial fitting. The time-varying waveform components are denoised using wavelet thresholding to enhance fault features. When ap⁃
plied to simulated and experimental data of rolling bearing faults， WAWD effectively extracts fault feature information. Compari⁃
sons with existing methods， including SAMD， empirical mode decomposition （EMD）， variational mode decomposition （VMD），
and empirical wavelet transform （EWT）， demonstrate that WAWD exhibits significant advantages in fault feature extraction.
Keywords: fault diagnosis；rolling bearings；shape adaptive modal decomposition；wavelet threshold denoising

［3］
滚动轴承作为机械设备中的“关节”，是应用最 具有重要的实际意义 。
广泛也是最容易出现故障的零部件之一，一旦其出 当滚动轴承出现局部故障时，会引发机械系统的
现 局 部 故 障 会 直 接 影 响 整 个 机 械 设 备 的 正 常 运 非线性振动，其信号往往呈现出非线性及非平稳性。
转 ［1⁃2］ 。据不完全统计，旋转机械中约 30% 的故障是 对于此类信号，以短时傅里叶变换（short time Fourier
［4］
由滚动轴承所引起的。因此及时准确地提取出滚动 transform，STFT） 、小 波 变 换（wavelet transform，
［5⁃6］
轴承故障信息，对于保障机械设备的安全稳定运行 WT） 为代表的非平稳信号分析方法，在滚动轴承

收稿日期: 2024-07-26； 修订日期: 2024-11-06
基金项目: 国家自然科学基金资助项目（51975004，52475080）；安徽省高校杰出青年科研项目（2022AH020032）