基于ISWD的農(nóng)用軸承復(fù)合故障特征提取方法

摘要：

針對農(nóng)用軸承故障診斷過程中受到傳播路徑耦合與強(qiáng)烈背景噪聲的影響，復(fù)合故障特征較難提取的問題，提出基于包絡(luò)譜相關(guān)峭度的改進(jìn)群分解（ISWD）方法，實(shí)現(xiàn)農(nóng)用軸承復(fù)合故障特征的自適應(yīng)提取。首先，利用對周期性沖擊較為敏感的包絡(luò)譜相關(guān)峭度為適應(yīng)度函數(shù)，提升SWD對微弱故障特征的提取能力；其次，利用改進(jìn)灰狼算法，實(shí)現(xiàn)SWD關(guān)鍵閾值Pth和Tth的尋優(yōu)；最后，對ISWD分解出的振蕩分量（OC）做包絡(luò)解調(diào)處理，凸顯故障特征頻率，實(shí)現(xiàn)軸承復(fù)合故障特征的提取。仿真分析和試驗(yàn)分析表明，該方法能夠高效提取農(nóng)用齒輪箱復(fù)合故障的特征，相比于傳統(tǒng)的變分模態(tài)分解（VMD），減少27%的冗余分量占比，提高100%的內(nèi)圈有效特征數(shù)量；與SWD相比，不僅內(nèi)圈有效特征數(shù)量提升100%，外圈有效特征數(shù)量也提高25%，為農(nóng)用軸承故障智能診斷方法的開發(fā)提供參考。

關(guān)鍵詞：農(nóng)用軸承；復(fù)合故障；故障特征提取；改進(jìn)群分解；相關(guān)峭度

中圖分類號：TP181； TH133.3； S22

文獻(xiàn)標(biāo)識碼：A

文章編號：2095-5553 （2025） 03-0222-08

收稿日期：2023年7月12日" 修回日期：2023年9月28日*

基金項(xiàng)目：新疆維吾爾自治區(qū)重點(diǎn)研發(fā)項(xiàng)目（2020B02014，2022B02016）

第一作者：焦華超，男，1985年生，河南西平人，博士研究生；研究方向?yàn)檗r(nóng)機(jī)故障智能診斷。E-mail： jhc_xj@163.com

通訊作者：孫文磊，男，1962年生，烏魯木齊人，博士，教授，博導(dǎo)；研究方向?yàn)閿?shù)字化設(shè)計與制造、能源裝備技術(shù)與智能運(yùn)維。E-mail： sunwenxj@163.com

Composite fault feature extraction method of agricultural bearing based on ISWD

Jiao Huachao， Sun Wenlei， Wang Hongwei， Wan Xiaojing

（College of Intelligent Manufacturing Modern Industry， Xinjiang University， Urumqi， 830017， China）

Abstract：

The extraction of composite fault features in the fault diagnosis process of agricultural bearings has been challenging due to the influence of coupled propagation paths and strong background noise， an improved swarm decomposition （ISWD） method based on envelope spectrum correlation kurtosis is proposed to overcome this issue and achieve adaptive extraction of composite fault features for agricultural bearings. Firstly， the envelope spectrum correlation kurtosis， which is sensitive to periodic impacts， is employed as the fitness function to enhance the ability of SWD in extracting weak fault features. Secondly， an improved gray wolf optimization algorithm （GWO） is used to optimize the key thresholds Pth and Tth of SWD. Finally， the oscillatory component （OC） obtained by ISWD is subjected to envelope demodulation to highlight the fault feature frequencies and extract composite fault features of the bearings. Simulation and experimental analysis demonstrate that the proposed method can efficiently extract the features of composite faults in agricultural gearboxes. Compared with traditional Variational Mode Decomposition （VMD）， the proposed method reduces the proportion of redundant components by 27% and increases the number of effective inner race features by 100%. Compared with SWD， not only does the proposed method increase the number of effective inner race features by 100%， but it also increases the number of effective outer race features by 25%. It provides a reference for the development of intelligent fault diagnosis methods for agricultural bearing faults.

Keywords：

agricultural bearings; compound fault; fault feature extraction; improved swarm decomposition; correlation kurtosis

0 引言

軸承工作的可靠性和安全性對農(nóng)機(jī)運(yùn)行至關(guān)重要，然而，處于交替重載荷和多振動沖擊的工作環(huán)境下軸承很容易出現(xiàn)以內(nèi)外圈磨損為主的復(fù)合故障［1］。實(shí)時監(jiān)測和診斷軸承的潛在故障，能提前為農(nóng)機(jī)使用和維護(hù)提供指導(dǎo)信息，避免突發(fā)故障影響農(nóng)忙時的工作［2， 3］。軸承故障診斷常用方法是根據(jù)信號特點(diǎn)，運(yùn)用信號處理技術(shù)，排除信號中的干擾項(xiàng)獲取振動信號的特征，之后根據(jù)信號特征判斷故障位置、類型和程度［4］。然而，農(nóng)用軸承的振動信號受到關(guān)聯(lián)部件和工作環(huán)境的影響，表現(xiàn)出多信號耦合、低信噪比、非平穩(wěn)、非線性等特點(diǎn)，導(dǎo)致復(fù)合故障中的有效特征常被強(qiáng)烈的背景噪聲所淹沒，從而對軸承故障監(jiān)測和診斷造成困難。因此，研究高效提取軸承信號復(fù)合故障特征的有效方法，快速獲取軸承的健康狀態(tài)，對農(nóng)機(jī)持久高效工作具有重要意義。

目前，對采集的振動信號進(jìn)行分解獲取故障特征已經(jīng)廣泛應(yīng)用于軸承信號分析，常用方法有經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）［5］、變分模態(tài)分解（VMD）［6］等，但存在模態(tài)混疊、端點(diǎn)效應(yīng)參數(shù)自適應(yīng)等問題。Apostolidis等［7］將群智能理論引入至信號處理過程中，提出群智能分解算法（SWD），其能夠自適應(yīng)地將信號中微弱的沖擊成分分解出來，具有較好的計算效率與分解效果。李娟等［8］運(yùn)用SWD結(jié)合形態(tài)學(xué)解調(diào)的方法對信號進(jìn)行處理，在抑制噪聲和突出沖擊信號上取得了較好的效果。朱亞軍等［9］基于SWD和多點(diǎn)調(diào)整最優(yōu)最小熵解卷積處理軸承的微弱故障。Wang等［10］利用SWD結(jié)合“優(yōu)化逆散布熵”提取故障特征用于風(fēng)機(jī)軸承的故障智能診斷。綜上，SWD方法在抑制噪聲和突出微弱特征方面效果優(yōu)異，能夠有效實(shí)現(xiàn)軸承故障的特征提取，但其重要參數(shù)Pth和Tth依賴經(jīng)驗(yàn)確定，且該值的選取直接影響SWD的信號分解效果。為了更好地使用SWD，陳鵬等［11］利用平方包絡(luò)譜負(fù)熵優(yōu)化SWD使其能自適應(yīng)處理風(fēng)機(jī)齒輪箱軸承故障；Xiao等［12］基于對信號頻率分析自適應(yīng)分割法優(yōu)化SWD，使其能根據(jù)信號特點(diǎn)確定分解個數(shù)；Song等［13］提出了一種以譜特征信息掃描的方法來確定分解數(shù)量；Miao等［14］基于信號分解效率和峭度使用鯨魚優(yōu)化算法改進(jìn)SWD，使其能自適應(yīng)分解軸承信號；上述SWD優(yōu)化方法完成了對信號的自適應(yīng)提取，但較少關(guān)注尋優(yōu)計算效率，且農(nóng)用軸承信號由于工作環(huán)境的影響有強(qiáng)烈背景噪音，復(fù)合故障中微弱特征的提取能力仍需要進(jìn)一步提升。

基于以上分析，為解決農(nóng)用齒輪箱故障診斷過程中，復(fù)合故障特征較難提取的問題，本文提出改進(jìn)群分解法（ISWD），利用相關(guān)峭度和優(yōu)化灰狼算法（IGWO）改進(jìn)SWD獲取振蕩分量，并對振蕩分量進(jìn)行包絡(luò)解調(diào)提取軸承復(fù)合故障特征。

1 基于包絡(luò)譜相關(guān)峭度的ISWD復(fù)合故障特征提取方法

1.1 群智能分解

SWD的基礎(chǔ)是群濾波（SWF），通過SWF的迭代能夠自適應(yīng)地將信號中的振蕩分量（OC）一一分解出來。相比EMD和VMD，SWD具有較好的計算效率與分解效果，并具有一定自適應(yīng)性，SWD對信號處理的過程如下。

對于離散輸入信號xit（n），經(jīng)過SG濾波器（Savitzky-Golay filter）平滑降噪處理后，計算信號的功率譜密度，并選擇功率譜密度最大值對應(yīng)的中心頻率fit－m；通過中心頻率fit－m，根據(jù)式（1）計算SWF的迭代參數(shù)δit、Mit。

1.3 基于包絡(luò)譜相關(guān)峭度的適應(yīng)度函數(shù)

利用改進(jìn)灰狼算法搜尋SWD最優(yōu)參數(shù)時，需要設(shè)定適應(yīng)度函數(shù)使迭代向著指定方向進(jìn)行。峭度是信號的四階中心距與標(biāo)準(zhǔn)差的四次方的比值，在信號分析中用于突出信號的沖擊特性。相關(guān)峭度由McDonald等［17］提出，其在峭度的基礎(chǔ)上加入對沖擊信號的周期性評價，是一種對周期性的沖擊信號更敏感的無量綱指標(biāo)，能更加穩(wěn)定、準(zhǔn)確地提取信號的周期性沖擊特征?？紤]到機(jī)械運(yùn)行時，軸承若發(fā)生故障，雖然因背景噪聲等原因故障產(chǎn)生的周期性沖擊被傳感器采集時較為微弱，但依然存在，選擇相關(guān)峭度作為適度函數(shù)的基礎(chǔ)部分。包絡(luò)譜作為一種用于頻率分析的解調(diào)方法，可以得到信號的調(diào)制頻率及高次諧波，廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷。同時考慮到該特征提取方法后續(xù)將布置在農(nóng)機(jī)和云端，算法計算效率是重要衡量指標(biāo)。綜上，提出基于信號包絡(luò)譜相關(guān)峭度的適應(yīng)度函數(shù)fit（Pth，Tth），用以獲得閾值Pth和Tth最優(yōu)解。

1.4 基于包絡(luò)譜相關(guān)峭度的ISWD復(fù)合故障特征提取方法

針對玉米收獲機(jī)行走齒輪箱軸承故障診斷過程中受到傳播路徑耦合與強(qiáng)烈背景噪聲的影響復(fù)合故障特征較難提取的問題，結(jié)合故障信號雖經(jīng)調(diào)制依然具有周期性沖擊的特性，提出基于包絡(luò)譜相關(guān)峭度的改進(jìn)群分解方法，處理流程如圖1所示，具體的處理步驟如下：（1）輸入采集到的軸承振動信號，設(shè)定SWD中閾值Pth和Tth的搜索范圍 ［0.05，0.35］和 ［0.05，0.15］；

（2）初始化灰狼優(yōu)化算法的參數(shù)：灰狼種群數(shù)N=50、最大迭代次數(shù)L=20、變量維度dim=2；

（3）開始SWD迭代分解，獲得OC分量，計算OC分量信號的能量，選取能量最高的兩個OC分量；

（4）計算選取的2個OC分量的適應(yīng)度函數(shù)值；

（5）判斷是否達(dá)到迭代終止條件，如果是，輸出最優(yōu)閾值組合；

（6）使用最優(yōu)閾值組合對信號進(jìn)行群分解獲得OC分量；

（7）對獲得OC分量進(jìn)行包絡(luò)解調(diào)處理，得到故障的特征，用于后續(xù)判斷故障類型。

2 ISWD復(fù)合故障特征提取方法的仿真驗(yàn)證

為了評估ISWD的有效性，構(gòu)建一組共振頻率相近的軸承復(fù)合故障仿真信號x（t），其由模擬軸承內(nèi)圈故障的沖擊分量x1（t）、模擬軸承外圈故障的沖擊分量x2（t）和高斯白噪聲n（t）組成，仿真信號模型為

x（t）=x1（t）+x2（t）+n（t）

x1（t）=

A1exp（－2πξfn1t）×

sin（2πξfn1t1－ξ2）

x2（t）=

（A2cos2πfr）×exp（－2πξfn2t）×

cos（2πξfn2t1－ξ2）

（15）

式中： A1、A2——內(nèi)外圈位移常數(shù)；

ξ——阻尼系數(shù)；

fn1、fn2——固有頻率；

fr——旋轉(zhuǎn)頻率。

仿真信號模型參數(shù)設(shè)置如表1所示，高斯白噪聲設(shè)定為-5dB，采樣頻率為20kHz，采樣時間為1s。

限于篇幅，模擬產(chǎn)生的內(nèi)圈信號、外圈信號及復(fù)合故障信號如圖2所示。圖2（c）為加入高斯噪音的復(fù)合故障信號，從時域波形看，內(nèi)外圈的周期性的沖擊特性基本均被噪聲淹沒。

對復(fù)合故障信號做包絡(luò)解調(diào)處理得到如圖3所示結(jié)果，基礎(chǔ)頻率較為明顯，但是軸承內(nèi)外圈故障特征均不易被觀察到，由此可以推斷，直接對信號包絡(luò)解調(diào)處理不易提取出顯著特征。

使用ISWD對仿真信號分解，經(jīng)過24次迭代計算后，適應(yīng)度函數(shù)值達(dá)到穩(wěn)定收斂水平，對應(yīng)的Pth和Tth參數(shù)組合為（0.22，0.14），得到OC分量的包絡(luò)譜如圖4所示。在OC1中，可以清晰地看到軸承外圈故障的1～4倍頻、6倍頻；在OC2中可以觀察到軸承內(nèi)圈故障的1～4倍頻。相比于對復(fù)合故障信號的直接包絡(luò)解調(diào)，ISWD故障特征更加明顯，更易提取出故障的特征頻率進(jìn)而判斷故障的類型，證明了ISWD方法提取故障特征的有效性。同時，尋優(yōu)僅需24次迭代就達(dá)到穩(wěn)定收斂，證明IGWO算法具有較強(qiáng)的尋優(yōu)能力，提升了群分解提取特征的效率。

為了驗(yàn)證所提ISWD方法的優(yōu)勢，將所得結(jié)果與未優(yōu)化的SWD算法對比，根據(jù)文獻(xiàn)［10］設(shè)置閾值Pth=0.1和Tth=0.1，分解后的包絡(luò)譜如圖5所示，SWD分解出4個OC分量，在第3個OC分量中，可以看到軸承內(nèi)圈故障的1～3倍頻；在第4個OC分量中，可以觀察到軸承外圈故障的1倍頻及4倍頻。

由圖5可知，SWD方法能基本實(shí)現(xiàn)故障的特征提取，但SWD分解的OC分量數(shù)量較ISWD多2個，參數(shù)也需要手動設(shè)定，并且不具備自適應(yīng)性。

為了進(jìn)一步驗(yàn)證所提ISWD方法的優(yōu)勢，將所得結(jié)果與VMD算法對比，分解后的包絡(luò)譜如圖6所示，VMD分解出4個IMF分量，在第2個IMF分量中，可以觀察到軸承內(nèi)圈故障的1～6倍頻，在第3個IMF分量中，可以看出軸承外圈故障的1倍頻及3倍頻。相比于ISWD，VMD分解出更多的冗余分量且故障特征也不如ISWD方法清晰，不利于后續(xù)故障類別的智能識別。

通過對仿真復(fù)合周期性沖擊信號分解的結(jié)果可以看出，ISWD方法在特征提取方面相比于VMD和SWD具有冗余分量少、特征明顯的優(yōu)勢，能為后續(xù)故障智能診斷奠定好的數(shù)據(jù)基礎(chǔ)，可用于軸承復(fù)合故障智能診斷的前處理。

3 ISWD復(fù)合故障特征提取方法的試驗(yàn)驗(yàn)證

3.1 試驗(yàn)方法

通過在農(nóng)機(jī)各關(guān)鍵部件處安裝不同類型傳感器，構(gòu)建軟硬件框架，監(jiān)測農(nóng)機(jī)運(yùn)行時各關(guān)鍵部件的參數(shù)并上傳云端網(wǎng)絡(luò)，之后利用監(jiān)測數(shù)據(jù)開展農(nóng)機(jī)智能管理和運(yùn)維工作。項(xiàng)目過程中，試驗(yàn)車輛行走系統(tǒng)的變速箱出現(xiàn)了的軸承復(fù)合故障，通過安裝在靠近變速箱故障軸承處的傳感器獲取了軸承處于復(fù)合故障時的振動數(shù)據(jù)。監(jiān)測傳感器型號為PR-3001-WZ3-N01-CX，加速度測量范圍和分辨率為±10 g和5μg。振動信號通過農(nóng)機(jī)CAN總線傳輸?shù)杰囕v控制終端后再傳遞到云端網(wǎng)絡(luò)。為了盡可能減少工作時各種干擾，選取車輛空載平穩(wěn)行駛時的振動數(shù)據(jù)作為試驗(yàn)驗(yàn)證數(shù)據(jù)。故障軸承是型號為SKF 6208的深溝球軸承，規(guī)格列于表2。傳感器采樣頻率為25.6kHz，采樣時間為1s，輸出軸轉(zhuǎn)速為2100r/min，根據(jù)轉(zhuǎn)速和軸承數(shù)據(jù)，計算出理論故障特征頻率為外圈107.9Hz、內(nèi)圈172.09Hz。

3.2 內(nèi)外圈復(fù)合故障特征提取

內(nèi)外圈復(fù)合故障采集信號的時域波形圖和包絡(luò)譜圖如圖7所示，限于篇幅僅展示0.15s內(nèi)4000個采樣點(diǎn)的波形圖。由于噪聲等調(diào)制影響，時域波形圖中信號的周期性并不明顯無法直接進(jìn)行故障的判斷。對傳感器信號進(jìn)行包絡(luò)解調(diào)，觀察包絡(luò)譜，軸承外圈的3倍頻及5倍頻可以較為明顯地觀察到，但是軸承內(nèi)圈由于噪聲等調(diào)制原因，特征微弱不易觀察到。

使用ISWD方法，經(jīng)過27次迭代計算后，適應(yīng)度函數(shù)值達(dá)到穩(wěn)定收斂水平，獲得閾值Pth和Tth最優(yōu)參數(shù)組合［0.1793，0.061］，此時ISWD將采集的振動信號分解為3個OC分量，其時域波形圖及包絡(luò)解調(diào)譜如圖8和圖9所示。從分解信號的包絡(luò)譜中可以看出，第一個OC分量中，可以觀察到軸承內(nèi)圈故障的1倍頻至4倍頻。在第二個OC中，可以明顯地觀察到軸承外圈故障的1倍頻至5倍頻。由此可知，所提的ISWD方法可實(shí)現(xiàn)軸承內(nèi)外圈復(fù)合故障的特征提取，所提取的特征較為突出，能有效提升軸承智能診斷的識別率。

為了驗(yàn)證所提ISWD特征提取的優(yōu)異性，采用SWD方法對同一個信號進(jìn)行特征提取，據(jù)文獻(xiàn)推薦設(shè)置閾值為0.1和0.1，所得時域波形圖及包絡(luò)譜圖如圖10和圖11所示。由圖10可知，采集的信號被分解為4個OC分量。圖11包絡(luò)譜中 OC1和OC2均分離出了軸承外圈的特征頻率，在OC1和OC2中軸承外圈故障的1倍頻和5倍較為突出，2、3倍頻也可觀察到；在OC1分量中，能觀察到軸承內(nèi)圈的1倍頻和4倍頻，但均不突出，信號分解的效果沒有ISWD好。

為了進(jìn)一步驗(yàn)證所提方法的優(yōu)異性，相同信號采用VMD分解法，獲得分解信號分量及包絡(luò)解調(diào)譜如圖12和圖13所示。

相比于ISWD和SWD，VMD分解獲得的IMF分量為5個，在IMF5中可以清晰地看到軸承外圈的1～5倍頻，但和SWD一樣， VMD方法對于軸承內(nèi)圈故障經(jīng)調(diào)制后的微弱信號依然無法有效分離，在IMF1中可以找到1倍頻和3倍頻但也不突出，如果使用該特征將影響故障智能診斷的識別率。

4 結(jié)論

1） 針對農(nóng)用軸承故障診斷過程中復(fù)合故障特征難以提取的問題，提出一種基于包絡(luò)譜相關(guān)峭度的改進(jìn)群分解方法（ISWD）。該方法通過引入包絡(luò)譜相關(guān)峭度作為適應(yīng)度函數(shù)，增強(qiáng)SWD方法對微弱故障特征的提取能力；利用改進(jìn)的灰狼優(yōu)化算法（IGWO）對SWD的關(guān)鍵參數(shù)Pth和Tth進(jìn)行優(yōu)化，確保參數(shù)選擇的合理性和有效性。此外，還對ISWD分解出的振蕩分量（OC）進(jìn)行包絡(luò)解調(diào)處理，成功突顯故障特征頻率，實(shí)現(xiàn)軸承復(fù)合故障特征的有效提取。

2） 通過仿真分析和試驗(yàn)驗(yàn)證，結(jié)果顯示，ISWD方法能夠高效地提取農(nóng)用齒輪箱復(fù)合故障的特征，相比于傳統(tǒng)的變分模態(tài)分解（VMD），ISWD方法減少27%的無效冗余分量占比，并將內(nèi)圈有效信號中的有效特征數(shù)量提升100%，而外圈有效信號中的有效特征數(shù)量雖未增加，但特征表現(xiàn)更加顯著。與原始的SWD方法相比，ISWD方法不僅將內(nèi)圈有效信號中的有效特征數(shù)量提升100%，還將外圈有效信號中的有效特征數(shù)量也提高25%，并且這些特征的表現(xiàn)也更加突出。同時，IGWO算法在參數(shù)優(yōu)化過程中表現(xiàn)出色，僅需27次迭代即可達(dá)到穩(wěn)定收斂，顯著提升群分解提取特征的效率。

綜上所述，ISWD方法為解決農(nóng)用軸承復(fù)合故障特征提取難題提供新的思路和技術(shù)手段，對促進(jìn)農(nóng)機(jī)故障智能診斷技術(shù)的發(fā)展具有重要意義。未來的研究將進(jìn)一步探索該方法在其他類型機(jī)械故障診斷中的適用性和有效性。

參 考 文 獻(xiàn)

［1］ 趙小強(qiáng)， 郭?？? 多特征融合的滾動軸承故障診斷［J］. 農(nóng)業(yè)工程學(xué)報， 2023， 39（13）： 80-88.

Zhao Xiaoqiang， Guo Haike. Fault diagnosis of rolling bearings using multi-feature fusion ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（13）： 80-88.

［2］ 李哲， 楊光友， 陳學(xué)海. 基于B/S架構(gòu)的聯(lián)合收割機(jī)遠(yuǎn)程監(jiān)測平臺研究［J］. 中國農(nóng)機(jī)化學(xué)報， 2019， 40（4）： 151-157.

Li Zhe， Yang Guangyou， Chen Xuehai.Research on remote monitoring platform of combine harvester based on B/Sarchi-tecture ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（4）： 151-157.

［3］ 傅秀清， 柳偉， 費(fèi)秀國， 等. 基于LabVIEW的高速齒輪箱振動信號監(jiān)測分析系統(tǒng)研究［J］. 中國農(nóng)機(jī)化學(xué)報， 2018， 39（11）： 61-66.

Fu Xiuqing， Liu Wei， Fei Xiuguo， et al. Research on high-speed gear box vibrationsignal analysis system based on LabVIEW ［J］. Journal of Chinese Agricultural Mechanization， 2018， 39（11）： 61-66.

［4］ 司偉偉， 岑健， 伍銀波， 等. 小樣本軸承故障診斷研究綜述［J］. 計算機(jī)工程與應(yīng)用， 2023， 59（6）： 45-56.

Si Weiwei， Cen Jian， Wu Yinbo， et al. Review of research on bearing fault diagnosis with small samples ［J］. Computer Engineering and Applications， 2023， 59（6）： 45-56.

［5］ 任海軍， 韋沖， 譚志強(qiáng)， 等. 基于CEEMDAN—IAWT方法的滾動軸承振動信號降噪［J］. 振動與沖擊， 2023， 42（13）： 199-207， 268.

Ren Haijun，Wei Chong，Tan Zhiqiang，et al. Denoising of rolling bearing vibration signals based on CEEMDAN—IAWT method ［J］. Journal of Vibration and Shock， 2023， 42（13）： 199-207， 268.

［6］ 軒夢輝， 趙思夏， 徐立友， 等. 改進(jìn)VMD和LSTM的聯(lián)合收割機(jī)裝配質(zhì)量檢測方法［J］. 中國農(nóng)機(jī)化學(xué)報， 2023， 44（3）： 132-140.

Xuan Menghui， Zhao Sixia， Xu Liyou， et al. Assembly quality inspection method of combine harvester based on improved VMD and LSTM ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（3）： 132-140.

［7］ Apostolidis G K， Hadjileontiadis L J. Swarm decomposition： A novel signal analysis using swarm intelligence ［J］. Signal Processing， 2017， 132： 40-50.

［8］ 李娟， 程軍圣， 黃祝慶， 等. 基于SWD—AVDIF的齒輪箱復(fù)合故障診斷方法［J］. 噪聲與振動控制， 2019， 39（1）： 166-171.

Li Juan， Cheng Junsheng， Huang Zhuqing， et al. Multi-faults diagnosis method for gearboxes based on SWD—AVDIF ［J］. Noise and Vibration Control， 2019， 39（1）： 166-171.

［9］ 朱亞軍， 胡建欽， 李武， 等. 基于SWD和MOMEDA的滾動軸承微弱故障特征識別［J］. 軸承， 2021（6）： 38-43.

Zhu Yajun， Hu Jianqin， Li Wu， et al. Identification of weak fault features of rolling bearings based on SWD and MOMEDA ［J］. Bearing， 2021（6）： 38-43.

［10］ Wang H， Sun W， He L， et al. Intelligent fault diagnosis method for gear transmission systems based on improved multi-scale reverse dispersion entropy and swarm decomposition ［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71.

［11］ 陳鵬， 趙小強(qiáng). 基于優(yōu)化VMD與改進(jìn)閾值降噪的滾動軸承早期故障特征提?。跩］. 振動與沖擊， 2021， 40（13）： 146-153.

Chen Peng， Zhao Xiaoqiang. Early fault feature extraction of rolling bearing based on optimized VMD and improved threshold denoising ［J］. Journal of Vibration and Shock， 2021， 40（13）： 146-153.

［12］ Xiao C， Yu J. Adaptive swarm decomposition algorithm for compound fault diagnosis of rolling bearings ［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-14.

［13］ Song Q， Jiang X， Liu J， et al. Adaptive swarm decomposition guided by spectral characteristic information scanner and its application for bearing fault diagnosis ［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-12.

［14］ Miao Y， Zhao M， Makis V， et al. Optimal swarm decomposition with whale optimization algorithm for weak feature extraction from multicomponent modulation signal ［J］. Mechanical Systems and Signal Processing， 2019， 122： 673-691.

［15］ Mirjalili S， Mirjalili S M， Lewis A. Grey wolf optimizer ［J］. Advances in Engineering Software， 2014， 69： 46-61.

［16］ 滕志軍， 呂金玲， 郭力文， 等. 一種基于Tent映射的混合灰狼優(yōu)化的改進(jìn)算法［J］. 哈爾濱工業(yè)大學(xué)學(xué)報， 2018， 50（11）： 40-49.

Teng Zhijun，Lü Jinling， Guo Liwen， et al.An improved hybrid grey wolf optimization algorithm based on Tent mapping ［J］.Jornal of Harbin Institute of Technology， 2018， 50（11）： 40-49.

［17］ McDonald G L， Zhao Q， Zuo M J. Maximum correlated kurtosis deconvolution and application on gear tooth chip fault detection ［J］. Mechanical Systems and Signal Processing， 2012， 33： 237-255.