针对变分模式分解(Variational Mode Decomposition,VMD)算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解(Generalized Variational Mode Decomposition,GVMD)算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解。仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性。

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了-种基于能量的变分模式分解（variational mode decomposition, 简称VMD）模态数 k 优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足.首先,对振动信号进行VMD预分解,分别在不同 k 值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数 k 选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率.将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有-定的应用价值和实际意义.