姚容华1、周俊1,2、伍星1,2、刘韬1,2（1.昆明理工大学机电工程学院；2.云南省先进装备智能制造技术重点实验室）于2025年8月在《振动工程学报》（Journal of Vibration Engineering）发表了一项关于滚动轴承复合故障声学诊断方法的研究。该研究提出了一种结合优化奇异谱分解（optimized singular spectrum decomposition, OSSD）与参数自适应最大相关峭度解卷积（maximum correlated kurtosis deconvolution, MCKD）的创新方法，旨在解决强噪声背景下滚动轴承复合故障特征难以分离的难题。
学术背景与研究目标
滚动轴承是航空航天、交通运输等领域的关键部件，其复合故障常伴随噪声干扰和故障间耦合效应，传统诊断方法如经验模态分解（EMD）、变分模态分解（VMD）等存在模态混叠、参数依赖性强等问题。本研究的目标是通过自适应信号分解与解卷积技术，实现复合故障特征的高效提取与分离，为旋转机械故障诊断提供新手段。
研究方法与流程
研究分为仿真验证与试验分析两部分，核心流程如下：
优化奇异谱分解（OSSD）
- 分解层数确定：以包络峭度为指标，计算不同分解层数下各分量的峭度值，选择最大包络峭度对应的层数作为最佳分解层数（如仿真信号中确定为2层）。
- 分量筛选：通过故障特征频率能量幅值比（FFR）指标，选取包含主要故障信息的奇异谱分量（SSC）。例如，仿真数据中SSC1和SSC2分别对应外圈和内圈故障特征。
参数自适应MCKD
- 周期参数优化：结合多点峭度谱和峰度计算，确定解卷积周期（仿真中内圈周期为178，外圈为94）。
- 滤波器长度优化：以包络排列熵为目标函数，在预设范围内搜索最优长度（仿真中内圈为548，外圈为871）。
- 滤波与特征增强：将优化后的MCKD应用于选定分量，增强周期性冲击成分。
故障诊断实现
- 通过包络谱分析提取故障特征频率，完成诊断。仿真结果显示，该方法能清晰识别内圈故障的转频、倍频及边频（95.38 Hz及其谐波）和外圈故障频率（64.61 Hz）。
试验验证
- 采用QPZZ-II试验台采集轴承声学信号，采样频率8192 Hz。OSSD分解层数确定为5层，MCKD参数通过相同方法优化，最终成功分离出内圈（87 Hz）和外圈（127 Hz）故障特征，且信噪比显著优于传统EMD方法。
主要结果
- 分解性能：OSSD在抑制模态混叠和噪声干扰方面优于EMD和VMD，仿真信号分解后包络峭度值达6.996，试验信号为6.608。
- 诊断效果：MCKD处理后，故障频率幅值在包络谱中显著增强，未优化MCKD的对比组则难以识别特征频率。
- 参数自适应性：提出的多点峭度谱与排列熵联合优化方法，解决了MCKD参数依赖经验设定的局限性。
结论与价值
本研究提出OSSD-MCKD融合方法，通过自适应分解与滤波增强，实现了强噪声下滚动轴承复合故障的精准诊断。其科学价值在于：
1. 方法创新：OSSD通过包络峭度自动确定分解层数，MCKD参数优化算法提升了诊断可靠性。
2. 工程应用：为旋转机械的声学故障诊断提供了可推广的技术手段，尤其适用于噪声环境下的早期故障检测。
研究亮点
- 技术融合：首次将OSSD与参数自适应MCKD结合，兼顾信号分解与特征增强的优势。
- 算法优化：提出的FFR指标和排列熵参数优化方法，为类似研究提供了参考框架。
- 验证全面性：通过仿真与试验双验证，证实方法在复杂工况下的鲁棒性。
其他价值
研究得到云南省科技厅重大专项（202202AC080003-3）和国家自然科学基金（52065030）支持，相关算法可扩展至齿轮、转子等机械部件的故障诊断领域。