一种基于自适应分解与冲击特征增强融合的滚动轴承故障诊断方法

《Symmetry》：A Rolling Bearing Fault Diagnosis Method Using Adaptive Decomposition and Impact Feature Enhancement Fusion

　　

为解决变分模态分解（Variational Mode Decomposition, VMD）在滚动轴承故障诊断中存在的参数依赖经验设置、故障特征提取能力不足及分类精度有限等问题，研究人员提出了一种基于自适应信号分解与智能分类融合的新型故障诊断方法。研究人员利用减法平均优化器（Subtraction-Average-Based Optimizer, SABO）对VMD参数进行自适应优化，并引入峭度-相关性准则选取单一故障敏感本征模态函数（Intrinsic Mode Function, IMF），从中提取时域特征构建故障特征向量。研究人员采用飞蛾扑火优化算法（Moth-Flame Optimization Algorithm, MFOA）优化核极限学习机（Kernel Extreme Learning Machine, KELM）的参数以实现故障状态识别。从方法论对称性角度，SABO的平均种群更新对搜索个体排序具有不变性，VMD在模态标签排列下具有等价性，KELM使用对称核函数构建样本相似度矩阵，这些对称性相关结构被整合至所提方法的参数优化、模态分解及故障分类阶段。研究人员基于凯斯西储大学（Case Western Reserve University, CWRU）滚动轴承数据集的实验验证表明，所提方法故障识别精度达96.73%，优于其他对比模型，展现出更优的诊断精度与鲁棒性。

研究背景与意义

滚动轴承作为旋转机械的基础部件，其运行状态直接影响机械设备运行的稳定性与安全性。在长期高速回转、重载及复杂工况下，轴承易发生磨损、冲击与疲劳，导致内圈故障、外圈故障及滚动体故障等问题。一旦轴承失效，不仅会引起设备振动增大与运行精度下降，严重时甚至导致整个机械系统瘫痪，因此准确快速地识别滚动轴承故障具有重要的工程应用价值。实际采集的滚动轴承振动信号通常具有明显的非线性、非平稳及强噪声特性，传统时频分析方法难以有效提取故障冲击特征。经验模态分解（Empirical Mode Decomposition, EMD）、集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）、完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition, CEEMD）及变分模态分解（Variational Mode Decomposition, VMD）等信号处理方法虽已被广泛应用，但VMD的分解效果高度依赖于模态分量数K与惩罚因子α的经验设置，易导致欠分解或过分解，影响后续特征提取与诊断。现有研究多在VMD参数选择、故障敏感分量提取及分类器参数优化方面单独改进，未充分重视自适应分解与后续故障分类间的信息传递关系。为此，研究人员开展了基于自适应分解与冲击特征增强融合的滚动轴承故障诊断研究，该方法发表于《Symmetry》。

主要关键技术方法

研究人员采用凯斯西储大学（CWRU）SKF6205轴承12kHz驱动端振动信号，涵盖4种载荷转速工况及10种健康状态（1正常9故障）。关键技术包括：以峭度为适应度函数，利用减法平均优化器（SABO）自适应优化VMD的K（3–10）与α（100–1500）；基于峭度-相关系数准则筛选最优本征模态函数（IMF）；提取均值、方差等9维时域特征构建向量；以验证集分类误差为适应度，利用飞蛾扑火优化算法（MFOA）优化核极限学习机（KELM）的正则化系数C与核参数σ；固定数据划分（训练720、验证180、测试300样本），进行20次独立重复实验与混淆矩阵分析。

研究结果

4.1. Dataset Description

研究人员将原始连续振动信号按时间划分为互斥的训练、验证与测试区间，区间间保留不少于1024采样点的保护间隔，采用滑动窗口（长度1024点，步长512点）分割样本。每种故障类别生成72训练、18验证、30测试样本，总计1200样本。时域与频域分析显示，正常信号幅值小、低频集中；故障信号幅值显著增大，含强随机冲击成分与中高频宽频带能量聚集，证明冲击调制特征明显。

4.2. Signal Preprocessing Results Based on Adaptive Decomposition

SABO优化VMD参数在4次迭代后收敛，0HP工况下IR007内圈故障信号最优参数为K=4，α=相应值，适应度峭度为7.71693。对比K=3、4、5的频域分解结果：K=3频段重叠严重，欠分解；K=5频段过近，能量分散，过分解；K=4频带独立清晰，模态混叠显著减少。经峭度与相关系数联合评估，IMF4峭度值4.0826最大，相关系数0.7816最高，保留原始信息最完整且冲击特征最明显，被选为故障敏感分量。

4.3. Impact Feature Enhancement and Intelligent Fault Identification Results

MFOA优化KELM参数在第10次迭代跳出局部最优，适应度值降至0.00633。20次独立运行对比实验显示：KELM准确率82.37%±1.84%，VMD-KELM为88.41%±1.39%，WS-KELM为90.87%±1.12%，SAE-KELM为92.14%±1.07%，SABO-VMD-KELM为93.29%±0.96%，LSTM为94.08%±0.89%，而所提SABO-VMD-MFOA-KELM达96.73%±0.61%，标准差最小，波动最低。平均计算时间1731.47±31.26秒。混淆矩阵表明所提方法仅极少数样本误判，显著降低了相似故障类别的错分率。

讨论与结论翻译

研究人员在《Symmetry》发表的研究提出一种基于自适应信号分解与智能分类融合的滚动轴承故障诊断方法，并在CWRU数据集上验证如下结论：其一，采用减法平均优化器（SABO）优化变分模态分解（VMD）的模态数与惩罚因子，减少了对经验参数选择的依赖，改善了故障相关振动分量的分解效果。其二，联合峭度与相关系数选取单一故障敏感本征模态函数（IMF）分量，提取九维时域特征构建故障特征向量用于后续分类。其三，利用飞蛾扑火优化算法（MFOA）优化核极限学习机（KELM）的正则化系数与核参数，20次独立运行中所述SABO-VMD-MFOA-KELM方法取得最高分类精度96.73%±0.61%，优于对比模型；尽管计算时间增至1731.47±31.26秒，但该方法获得最高精度与最小标准差，在所研究工况下证明了其有效性及相对稳定的诊断性能。

要不要我帮你把这篇论文解读里的专业术语再整理成一份中英对照表，方便你后续查阅？