《Actuators》：An Enhanced Envelope Spectroscopy Method for Bearing Diagnosis: Coupling PSO-Adaptive Stochastic Resonance with LMD
Zhaohong Wu,
Jin Xu,
Jiaxin Wei,
Haiyang Wu,
Yusong Pang,
Chang Liu and
Gang Cheng
编辑推荐：
滚动轴承的早期故障振动信号通常具有非线性、非平稳性，且严重受背景噪声掩盖，这极大地阻碍了故障特征的准确提取。为克服传统随机共振（SR）的局限性—— specifically 针对高频信号的小参数限制以及参数选择的主观性，研究人员提出了一种基于粒子群优化（PSO
滚动轴承的早期故障振动信号通常具有非线性、非平稳性，且严重受背景噪声掩盖，这极大地阻碍了故障特征的准确提取。为克服传统随机共振（SR）的局限性—— specifically 针对高频信号的小参数限制以及参数选择的主观性，研究人员提出了一种基于粒子群优化（PSO）和局部均值分解（LMD）的自适应 SR 包络谱方法。首先，引入变尺度变换将高频故障信号压缩至绝热近似理论所需的有效频带内。其次，利用 PSO 的全局搜索能力，通过最大化输出信噪比（SNR）自适应优化双稳态势阱参数，从而实现非线性系统与输入信号的最佳匹配。最后，对增强后的信号进行 LMD 分解，选取敏感分量进行包络谱分析以识别故障特征。利用凯斯西储大学（Case Western Reserve University）轴承数据集进行的实验验证表明，该方法在强噪声条件下能有效放大微弱故障信号，相较于传统方法展现出更优越的特征提取精度和噪声鲁棒性。
**论文解读：基于 PSO-LMD 耦合机制的轴承微弱故障增强诊断研究**
**研究背景与问题阐述**
滚动轴承作为旋转机械的核心部件，其运行状态直接关乎整个机械系统的安全与可靠性。然而，在实际工业环境中，轴承往往处于复杂的工况下，早期故障特征极其微弱，不可避免地淹没在强烈的背景噪声与干扰之中。因此，从重噪声中提取有效的故障特征频率一直是机械故障诊断领域极具挑战且意义重大的课题。传统的时频分析方法，如小波变换（Wavelet Transform）、经验模态分解（EMD）及变分模态分解（VMD），虽广泛应用于噪声分离，但其核心逻辑多集中于“噪声抑制”或“去噪”。当信噪比（SNR）极低时，这些算法可能误删微弱的故障瞬态成分，或遭受模态混叠与端点效应的影响，导致漏诊。与之不同，随机共振（SR）提供了一种范式转变，即利用噪声能量增强微弱信号而非消除它。尽管 SR 理论优越，但其在工程应用中面临两大瓶颈：一是经典 SR 理论基于绝热近似，要求输入信号频率远小于 1Hz，而轴承故障频率通常在数百赫兹，需解决高频信号适配问题；二是 SR 系统输出性能对系统参数高度敏感，传统的人工或主观参数选择难以实现最佳共振匹配。针对上述问题，研究人员开展了一项旨在构建系统性框架的研究，以解决 SR 工程应用中的高频限制与参数匹配难题。该研究成果发表于国际期刊《Actuators》。
**关键技术方法概括**
研究人员主要采用了三项关键技术方法。首先是变尺度变换技术，通过设定压缩率将高频轴承故障信号线性压缩至满足绝热近似理论的小参数范围。其次是引入粒子群优化（PSO）算法，以输出信噪比（SNR）为适应度函数，全局寻优双稳态随机共振（BSR）系统的势阱形状参数（a 和 b），实现系统参数与输入信号的自适应匹配。最后是结合局部均值分解（LMD）技术，对经 SR 增强后的信号进行分解，提取高相关性的乘积函数（PF）分量并进行包络谱分析。研究数据来源于凯斯西储大学（Case Western Reserve University）公开的轴承故障数据集，涵盖了不同负载与转速下的外圈及内圈故障样本。
**研究结果分析**
**双稳态随机共振机理与参数调控**
研究人员首先构建了双稳态随机共振（BSR）模型，该模型由两个势阱和一个势垒组成。研究表明，当外部激励与噪声共同作用时，过阻尼粒子在势阱间的周期性跃迁能显著增强输出信号。通过分析发现，调整系统参数 a 和 b 可有效改变势垒高度，进而影响输出信噪比。传统的固定参数或单参数调整难以应对复杂信号，而研究人员利用 PSO 算法实现了多参数协同优化。
**自适应优化与信号增强效果**
在实验验证环节，针对凯斯西储大学数据集中的外圈故障信号（理论故障频率 107.6 Hz），研究人员设定变尺度压缩率 R=2500，将目标频率压缩至 0.043 Hz 以满足小参数条件。经 PSO 优化后，获得最优势阱参数 a=1.5244 和 b=1.796。将优化参数代入改进的四阶龙格 - 库塔（Runge-Kutta）算法求解 BSR 方程后，原本被强噪声完全掩盖的故障特征在时域波形和频谱中得到显著增强。随后对增强信号进行 LMD 分解，选取前四个高相关性分量重构，包络谱分析成功提取出 108 Hz 的特征频率，与理论值相对误差小于 0.3%，证明了该方法的高精度。
**对比分析与多工况验证**
为进一步验证方法的优越性，研究人员将该方法与 VMD、改进最大相关峭度反卷积（IMCKD）及自适应最大二阶循环平稳盲反卷积（ACYCBD）进行了对比。结果显示，其他三种方法均未能有效提取外圈故障特征频率，而本研究提出的方法则清晰识别了故障特征。此外，在内圈故障（理论频率 159.9 Hz）及不同负载工况下的测试中，该方法同样成功提取了故障频率，展现了良好的工程实用性与泛化能力。
**结论与讨论总结**
研究人员总结指出，本文提出了一种增强的包络谱方法，成功弥合了理论随机共振与实际轴承故障诊断之间的差距。其主要贡献在于开发了一种变尺度自适应框架，有效克服了绝热近似限制及参数选择的主观性。通过 PSO 精确优化系统参数，利用信噪比函数分析各参数对 SR 现象的影响，调整势阱形状参数实现了势能高度的最优调节，显著提升了系统输出信噪比，使 SR 现象更为显著。基于凯斯西储大学实际轴承信号的实验验证表明，改进的自适应 BSR 系统在检测故障信号方面表现优异，进一步促进了系统 SR 现象的发生。通过与经典方法的对比研究，证实了该方法的优越性。尽管该系统在增强 SR 现象方面取得了进展，但仍存在改进空间。未来的研究工作将聚焦于开发性能更优的二维及非对称系统，并计划在更多公共数据集上测试该框架，以进一步验证其在不同机器、传感器及退化模式下的适应性。
