基于变分非线性调频模态分解,提出一种滚动轴承多故障诊断方法。对滚动轴承多故障振动信号分量的瞬时频率和瞬时幅值进行估计;在此基础上,通过最小化信号的带宽实现滚动轴承故障信号的重构。对比所提方法与变分模态分解法,通过实验案例对所提方法进行验证。结果表明所提方法明显优于变分模态分解方法,即使在强噪声背景下,仍能有效地实现滚动轴承多故障信号的分解与重构,可以有效地诊断滚动轴承多故障。

针对经验模态分解在回转齿轮箱故障中容易出现分解精度低的问题,提出了一种CMF-EEMD信号处理方法。组合模式函数(CMF)将集合经验模态(EEMD)分解得到本征模函数(IMF),并通过把高频和低频信号叠加的方式来形成包含高低频的模态函数,然后通过EEMD对循环自相关函数解调分析。将CMF-EEMD信号处理方法应用于仿真信号和齿轮箱故障诊断测试平台,成功提取了多故障特征频率,验证了该方法的有效性。该方法还可以清晰地反馈故障振动信号冲击幅值改变情况,从高频分量中可清楚地看到振动信号冲击幅值发生改变的明显特征。

在实际工况下,齿轮箱故障经常包含多个故障信息,而弱故障信号相比强故障信号和噪声属于微弱信号,故复合故障中的弱故障信号提取一直是旋转机械故障诊断的一大难点。基于上述问题,考虑到MED（Minimum Entropy Deconvolution）具有强降噪性能、VMD（Variational Mode Decomposition）分解出的本征模态函数在强噪声环境中会失真、VMD分解精度由惩罚因子α和分解次数k决定,提出了一种基于MED-VMD的滚动轴承微弱故障提取方法。首先对原信号用MED降噪;进一步设置初始参数α和k,对降噪后的信号通过VMD分解,计算相邻本征模态函数的相关系数,确定最佳惩罚因子α和分解次数k;最后对本征模态函数进行包络谱分析,提取了齿轮箱中轴承的微弱故障信息。通过仿真信号和实测数据均验证了所提方法的有效性,给强噪声环境的复合故障的微弱故障特征提取提供一种新思路。