基于变分模态分解和谱峭度法的滚动轴承故障特征提取

第３１卷第１１期　。电子测量与仪器学报　ＪＯＵＲＮＡＬ　ｏＦ　ＥＬＥＣＴＲｏＮｌＣ　ＭＥＡｓＵＲＥＭＥＮＴ　ＡＮＤ　ＩＮＳＴＲＵＭＥＮＴＡＴＩｏＮ　Ｚ．３１，ｖｏ．１１　１７８２‘　２０１７年１１月　ＤＯＩ：１０．１３３８２／ｊ．ｊｅｍｉ．２０１７．１　１．０１３　基于变分模态分解和谱峭度法的滚动　轴承故障特征提取木　马增强　李亚超　’　阮婉莹　张（１．石家庄铁道大学摘电气与电子工程学院石家庄安　青岛２６６１１１）　０５００４３；２．南车青岛四方机车车辆股份有限公司要：针对共振解调中带通滤波器参数的选取通常比较困难，以及滚动轴承早期微弱故障信号通常被强烈的背景噪声淹没，　为此，提出了使变分模态分解（ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＶＭＤ）和谱峭度法共同作用来处理故障信号的方法。首先要重构　故障信号，利用ＶＭＤ分解得到故障信号的本征模态分量（ｉｎｔｉｒｎｓｉｃ　ｍｏｄｅ　ｆｕｎｃｔｉｏｎ，ＩＭＦ），再计算各分量对应的峭度值对其自适　应重构。然后，对重构信号进行快速谱峭度分析，并据此设计带通滤波器。最后，根据重构信号共振解调后的谱线即可准确判　断轴承故障。通过处理实测数据进行诊断，结果表明了该方法较传统共振解调法诊断结果更精确。由此可见，谱峭度法在滤波　器参数选择上具有可靠性，以及ＶＭＤ与谱峭度结合能够降低噪声干扰提取微弱故障信号。　关键词：故障诊断；滚动轴承；变分模态分解；谱峭度　中图分类号：ＴＮ７１０．１；ＴＨ１６５　．３　文献标识码：Ａ　国家标准学科分类代码：４７０．４０　Ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｆａｕｌｔ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ＶＭＤ　ａｎｄ　ｓｐｅｃｔｒａｌ　ｋｕｒｔｏｓｉｓ　Ｍａ　Ｚｅｎｇｑｉａｎｇ　Ｌｉ　Ｙａｃｈａｏ　・　Ｒｕａｎ　Ｗａｎｙｉｎｇ　Ｚｈａｎｇ　Ａｎ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ｅｌｅｃｔｉｒｃａｌ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈ￣ｉａｚｈｕａｎｇ　Ｔｉｅｄａｏ　Ｕｎｉｖｅｒｓｉｔｙ，ＳｈＯｉａｚｈｕａｎｇ　０５００４３，Ｃｈｉｎａ；　２．ＣＲＲＣ　Ｑｉｎｇｄａｏ　Ｓｉ￣ｎｇ　Ｃｏ．Ｌｔｄ．，Ｑｉｎｇｄａｏ　２６６１　１　１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅ　ｂａｎｄ　ｐａｓｓ　ｆｉｌｔｅｒ　ｐａｒａｍｅｔｅｒｓ　ｉｎ　ｒｅｓｏｎａｎｃｅ　ｄｅｍｏｄｕｌａｔｉｏｎ　ａｒｅ　ｄｉｆｉｃｕｌｔｆ　ｔｏ　ｓｅｌｅｃｔ　ａｎｄ　ｔｈｅ　ｆａｕｈ　ｓｉｇｎａｌｓ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｉｎ　ｅａｒｌｙ　ｆａｉｌｕｒｅ　ｐｅｒｉｏｄ　ａｒｅｄｒｏｗｎｅｄ　ｉｎ　ｓｔｒｏｎｇ　ｂａｃｋｇｒｏｕｎｄ　ｎｏｉｓｅ，ｔｈｅｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇ　ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＶＭＤ）ｗｉｔｈｓｐｅｃｔｒａｌ　ｋｕｒｔｏｓｉｓ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅ　ｆａｕｌｔ　ｓｉｇｎａｌｓ　ｎｅｅｄ　ｔｏ　ｂｅｒｅｃｏｎｓｔｒｕｃｔｅｄ　ｓｅｌｆ－ａｄａｐｔｉｖｅｌｙ，ＳＯ　ｓｅｖｅｒａｌ　ｉｎｔｉｒｎｓｉｃ　ｍｏｄｅ　ｆｕｎｃｔｉｏｎ（ＩＭＦ）ａｒｅ　ｏｂｔｇｎｅｄ　ｂｙ　ＶＭＤ，ａｎｄ　ａｄａｐｔｉｖｅ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｉｓ　ｐｅｒｆｏｒｍｅｄ　ｂｙ　ｃｏｍｐｕｔｉｎｇ　ｔｈｅ　ｋｕｒｔｏｓｉｓ　ｏｆ　ＩＭＦｓ．Ｎｅｘｔ，ｗｅ　ｃａｎ　ａｎａｌｙｚｅ　ｔｈｅ　ｒｅｃｏｎｓｔｒｕｃｔｅｄ　ｓｉｇｎａｌｓ　ｂｙ　ｓｐｅｃｔｒａｌ　ｋｕｒｔｏｓｉｓ　ａｎｄ　ｄｅｓｉｇｎ　ｔｈｅ　ｂａｎｄ—ｐａｓｓ　ｆｉｌｔｅｒ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｗｏｒｋｉｎｇ　ｓｔａｔｕｓ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇｉｓ　ｉｄｅｎｔｉｉｆｅｄ　ｔｈｒｏｕｇｈ　ｔｈｅ　ｒｅｓｏｎａｎｃｅ　ｄｅｍｏｄｕｌａｔｉｏｎ　ｓｐｅｃｔｒｕｍ　ｏｆ　ｒｅｅｏｎｓｔｒｕｃｔｅｄｓｉｎａｇ１．Ｂｙ　ｐｒｏｃｅｓｓｉｎｇ　ｒｅａｌ　ｄａｔａ，ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｉｓ　ｍｏｒｅ　ａｃｃｕｒａｔｅ　ｔｈａｎ　ｔｒａｄｉｔｉｏｎａｌ　ｒｅｓｏｎａｎｃｅ　ｄｅｍｏｄｕｌａｔｉｏｎ　ｉｎ　ｄｉａｇｎｏｓｉｎｇ　ｔｈｅ　ｆａｕｌｔ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ．Ｔｈｕｓ，ｉｔ　ｃａｎ　ｂｅ　ｓｅｅｎ，　ｔｈｅ　ｓｐｅｃｔｒａｌ　ｋｕｒｔｏｓｉｓ　ｉｓ　ｒｅｌｉａｂｌｅ　ｉｎ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｆｉｌｔｅｒ　ｐａｒａｍｅｔｅｒｓ，ａｎｄ　ｃｏｍｂｉｎｉｎｇ　ＶＭＤ　ａｎｄ　ｓｐｅｃｔｒａｌ　ｋｕｒｔｏｓｉｓ　ｃａｎ　ｒｅｄｕｃｅ　ｔｈｅ　ｎｏｉｓｅ　ａｎｄ　ｅｘｔｒａｃｔ　ｗｅａｋ　ｆａｕｌｔ　ｓｉｇｎａ１．　Ｋｅｙｗｏｒｄｓ：ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ；ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ；ＶＭＤ；ｓｐｅｃｔｒａｌ　ｋｕｒｔｏｓｉｓ　０　引　言　械其他各部位零件，其寿命没有准确性的标定，而其又是　决定机车是否能够安全稳定运行的最主要因素，为避免　由于轴承故障而引发事故，必须及时诊断出轴承的早期　故障，而如何提取出微弱的早期故障信号是研究的重点　与难点，对国民经济以及科学发展都极具研究价值，故障　滚动轴承是旋转机械中极关键的组成部分，旋转机　械的工作性能受其影响非常大。滚动轴承不同于旋转机　收稿日期：２０１７－０５　Ｒｅｃｅｉｖｅｄ　Ｄａｔｅ：２０１７－０５　基金项目：国家自然科学基金（１１２２７２０１，１１３７２１９９）、河北省自然科学基金（Ａ２０１４２１０１４２）资助项目　第１１期　基于变分模态分解和谱峭度法的滚动轴承故障特征提取　・１７８３・　诊断技术对生活生产各个方面的发展意义重大　。　传统共振解调技术的理论基础是没有故障就没有故　式中：６（￡）为冲激函数。　２）得到若干解析信号的预估中心频率ｅ　，将其混　合后把各模态频谱调制对应的基频带：　障谱线，其核心是在一系列频率混杂的信号中将被高频　调制的故障信号提取出来，有较高的诊断精度。由于其　准确性和易用性，故成为滚动轴承故障诊断中最常用的　方法之一　。侯丽娴等人　将其成功应用于微弱故障信　号的提取工作，但带通滤波器的参数选择问题限制了其　应用。王嘉乐等人　为了克服这一困难，采用小波变换　函数结合时频分析的方法共同处理信号，但其所得信号　ｃ）＋　）　（ｆ）　．　宽。约束变分模型如下：　（２）　３）通过梯度的平方　范数这一参量预估各模态带　Ｊ－　ｍ，ｉｎ　　｛　ＪＩ　ａ　［（６ｃ　＋Ｊ订　）’“　ｃ　］ｅ—ｊｍ　ｌＩ　）　３　分解结果和信号本身频率没有关系，对故障特征频段的　提取效果被削弱。左庆林等人　将经验模式分解　（ｅｍｐｉｒｉｃａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）和共振解调结合提　高了信噪比，但没有解决参数选择问题。张志刚等人　Ｊ　将ＥＭＤ降噪和谱峭度法结合，虽然有效解决了参数选择　问题，但ＥＭＤ的明显缺陷——模态混叠问题对诊断结果　造成的影响不容忽视。２０１４年Ｄｒａｇｏｍｉｒｅｔｓｋｉｙ等人　首　次采用变分模态分解（ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，　ＶＭＤ）方法，其最大优点是自适应性，能够将信号从不同　频段分离并提取出有效成分。刘长良等人　刨和唐贵基　等人　将其引入到机械故障诊断领域，并和包络解调相　结合实现了滚动轴承早期故障的有效判别，但带通滤波　的参数仍然依赖人的主观经验。　本文将结合ＶＭＤ信号分解方法和谱峭度法提取故　障信号，对轴承故障做出准确诊断。谱峭度概念最早是　由Ｄｗｙｅｒ　提出，它的实质是在时频分析的基础上，反映　信号每个频段上的峭度值大小，能够反映出非平稳性的　存在，对故障脉冲信号很敏感，并能够明确地指出瞬态成　分的频带，为滤波参数的选取提供理论基础。结果表明　该方法在故障信号被强烈的背景噪声淹没的情况下仍能　有效地进行故障诊断，证明了该方法的有效性。　１变分模态分解原理　ＶＭＤ分解方法是以经典维纳滤波、Ｈｉｌｂｅａ变换及混　频问题为核心，对信号进行稀疏重构，首先根据约束条件　建模，用最优化方法自适应地对信号进行分解，可得到理　想的模态分量　。　可以认为各模态均有各自的中心频率，并且各自带　宽有限，二者随着分解工作的进行不断变化，ＶＭＤ方法　就是要找出带宽之和最小的Ｋ个模态函数“　（ｔ），其和　即为输入信号．厂。首先要获得各模态函数的带宽，具体步　骤如下　。　１）对各模态分量ｕ　（ｔ）做希尔伯特变换，可得对应　的解析信号，其单边频谱为：　（１）　【ｓ．ｔ．∑　＝，　式中：｛　｝：｛“　一，ｕ　｝表示经ＶＭＤ分解后的Ｋ个　ＩＭＦ分量，｛　｝＝｛甜　－．，　｝代表各模态的中心频率，　∑：＝∑：：。表示对各模态分量进行求和运算。　为解决以上问题，本文将引入两个新参数：二次惩罚　因子　和Ｌａｇｒａｎｇｅ乘法算子Ａ（ｆ），其中二次惩罚因子可　不受高斯噪声影响确保信号的重构精度，Ｌａｇｒａｎｇｅ算子　保证了约束条件的严格性，扩展的Ｌａｇｒａｎｇｅ表达式如下：　（｛／Ｚ　｝，｛（￡Ｊ　｝，Ａ）：＝　ａ　［（　＋　）　）一　ｕ　（　）　＋（Ａ（￡）　）一　（　））。　（４）　要获得扩展后的Ｌａｇｒａｎｇｅ算子‘鞍点’，这里可以运　用ＡＤＭＭ乘子算法，它具有方向交替的特点，利用它可　以准确得到想要的‘鞍点’。详细解法如下：　１）对｛　｝、｛　｝、　、ｒｔ进行初始化；　２）循环条件：ｎ＝ｒｔ＋１；　３）凡满足　≥０时，更新五　：　Ａ　ｎ“（　）　）一∑　ｕＡｎ　＋ｌ（∞）一∑　（∞）＋　———１　厂—一，　∈｛　，Ｋ｝　（５）　４）更新∞　：　Ｏ）一ｋ一　—　———————一，　Ｅ　１　ｌ，Ｋ｝Ａ｝　（６）０　　ｌ　Ａ　ｎ“（　）ｌ　幽　５）更新Ａ：　”　（∞）一　“（　）＋　（，（∞）一∑　：　（　））　（７）　６）重复２）～５），直到迭代停止条件成立：　∑　Ａ　ｎ“一　２／ｌ　Ｉ＜ｓ　（８）　结束迭代，得到Ｋ个ＩＭＦ分量。　２谱峭度法　为了克服峭度在工程应用中的不足，Ａ　ｔ。　ｉ［１６　以四　・１７８４・　电子测　与仪器学报　第３１巷　阶谱祟积量为核心，对谱峭度做了准确的定义　．　ＣＮＳ过程巾　非　稳信号　（　），其对心的ｐＵ阶　谱累ｆｊ５　Ｃ　（Ｍ）可　，Ｊ　为：　Ｃ４　（“）＝Ｓ４　（ｚ　）一２ｓ　（　），“≠０　（９）　式　ｆ　：　、（，，“）为２　，介时『廿Ｊ　均矩　将信　（￡）的　峭度简化为能监　化地四阶谱　累积ｈｔ．【｜ｆ】：　人　：　＝　。　根抛Ｊ＿Ｉ＝＝（１０）定义的谱峭度，对ＣＮＳ过程定义一个非　平稳僻　为　（ｆ）＝　（ｚ）＋，ｖ（￡），式『ｆ１／ｖ（ｔ）表示ＪＪ兀性　稳噪』　，　－ｊ　（ｆ）相　｝　ｉ』Ｉ●　，ｚ（，）的谱峭度Ｋ，（Ｍ）为：　Ｋ（ｕ）－　＋　≠　－　ｊ　『ｆ１．Ｋ。（“）为信　‘　（ｆ）的谱ｌｌＪｉｌｊ度；Ｋ　（“）为噪Ｊ　Ｎ（，）的　峭度；ｐ（　）乃信噪比，定义为：　＝　）　（１　３）…Ｊ＝ｌ＝（１３）＿『知，Ｋ　（“）彳Ｆ信号信噪比很高频率处接　近丁０、　此信号　（ｆ）所　频带也就是峭度最大的频　带，１　以通过汁算整个频域的潜峭度来找到　、　３　基于ＶＭＤ和谱峭度法的滚动轴承故障特　征提取　鉴ｊ　振解凋巾　：通滤波器参数的选取通常比较『小］　难，『…Ｉ＿存外界噪声ｆ　扰下，很难准确提取ｉＨ占史障信号，　为此，水史将ＶＭ１）分解和谱峭度法结合，　１『以很好地降　低噪Ｊ｝　影响，　能够准确选择滤波器参数　具体过程如　下，　１所求为陔方法的流　１）对故障信号进ｆ　ＶＭＤ分解，把非ｉ　稳信号分解为　荇卜个ＩＭＦ分　ｌ＇ｆ　・一，ｆ　；　２）汁箅　，ｆ　¨ｒ　的峭度　Ｋ。（“），Ｋ，（“），　…Ｋ．（１１）；　３）圾峭度值最火的前两位对应的１Ｍ　’分量Ｃ…　…　并重构为新的轴承振动俯号ｃ；　４）埘咂辛勾信号　进行快速峭度分析，根据峭度　人　化　则ｒ】Ｊ　以确定带迎滤波器的ｌｆ１心频率干¨带宽；　５）　据上述确定的参数没计滤波器，冉对各模态分　量进行带通滤波；　６）　带通滤波后的信号冉做包络解州分析，然后经　快速似　叶变换（ＦＦ．ｒ）求　包络谱；　）５ｃ　１　ＶＭＤ结合谱峭度法诊断滚动轴７　改障的流　¨ｇ．１　Ｈｏｗ　ｔｈａｉ‘ｔ　ｏｌ　ｔｈｅ　ｍｅｔｈｏｄ　ｃｔＩ［１１｝ｌｉｎｉ￣ｌｇ　ＶＭ　Ｉ）ｗｉｔｔＩ　ｓｐｅ（　Ｉｌ＿ａ　ｋｕｒｔｏｓｉｓｔｏ，　ｄｉａｇｎ，ｌｓｉｎｇ　ｒＩＪｌｌｉ）ｌｇ　Ｉｎ＇ａｒｉ￣ｌｇ　７）｛士！　包络谱可以提取｝『Ｊ滚动轴承的舣障信　ｎ、　４　实例应用　为丁验让本文所述办法的真文丌『靠　，将　心川于　滚动轴承敞障诊断试验，采Ｈｊ汀苏干鹏诊断Ｉ　‘限公　一Ｊ的ＱＰＺＺ一１Ｉ旋转机械振动＾殳障试验　Ｆ　进行｝ＪＩ＝＝验分　析，如　２所爪　．以Ｎ２０５ＥＭ轴承敝障模Ｊ　为试验对象　进行分析，该轴承参数如衷ｌ所爪　试验ＩｌＩ．将信　的采　样频率确定为２５　６００　Ｈｚ，ＪＬ采２０　４８０个点．轴承转速为　３１７　ｒ／ｍｉｎ　．ｍ滚动轴承故障特　频率公式汁钟：ｆ…太Ｊ阁故　障特征频率的卵论值为２６　Ｈｚ　滚动轴承　＾殳障信　的波形及　频潜如　３所，ｊ：，受背景噪声的　响，　故障　信号波肜ＩＩｌ许不能清晰的绑圳故障特　，Ｉｆ　＿频谱『ＩＩ的　故障特　坝牢也　明显。　２　ＱＩ’Ｚｚ一Ⅱ旋转机械放障试验半台及传感　安装　¨ｇ．２　ＱＩ’ＺＺ一１Ｉ　ｆａｕｈ　ｓｉｍｕｌａｔｉｏｎ　ｐｌａｔｔｏ！‘Ｉ１１　ａｌｌｄ　ｓＰｎＳＯＩ’ｉｎｓｔａｌｌａｔｉｏｎ　表１滚动轴承Ｎ２０５ＥＭ参数　Ｔａｂｌｅ　１　Ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　Ｎ２０５ＥＭ　基ｌ丁变分卡｝ｌ态分解和Ｉｊ｝｝Ｉ【『ｉＩｊ度法的滚动轴，Ｒ故障特　提收　７８５・　，／Ｓ　（ａ）ＩＩ，』域波＂ｊ　ａ１　Ｉ　ｈｃ　ｌｌＩＩＩｃ—ｄｏｒａａｌｎ　ｗ｜１、ｃｆ　ｒＩＩ　山　一　。一一．　，／ｔｔｚ　【ｂ）频ｌ＊　ｂ　ｌ　ｒｈｅ　ｆｒｅｑｕｅｎｃ＞ｓｐｅｃｌｒｕｌｌ　３　内斟故障ｆｉ：　时域波形硬　蝴谱　Ｆｉｇ．３＿ｒＩｌ‘　ｌｉｍｅ—ｄｏｍａｉｎ￣ａｖｅｆｏｎｎ￣ｌｌｌ１］Ｉｈｅ　ｆｒｅｑｕｅｎ｛。）　ｓｐｅｃｔｒｔｍｌ　ｉｎ　ｔｈｅ　ｉｎｎｅｒ　ｆａｕｈ　ｓｉｇｎａＩ　诊断的第一步是通过ＶＭＤ对采集的信号进行分　，　此例ｒ｝１町僻６个ＩＭＦ分地，分别　算签阶分量的峭度觚，　汁算结果如衷２所示。　表２各阶１ＭＦ分量的峭度值　Ｔａｂｌｅ　２　Ｋｕｒｔｏｓｉｓ　ｏｆ　ｅａｃｈ　ＩＦＭｃｏｍｐｏｎｅｎｔ　分挝　ｌＭＩ・’１　ＩＭＦ２　ＩＭ１：３　ＩＭ　ｂ＇４　ＩＭＦ５　ＩＭ１：６　ＳＫ　７（）９１　８２　９４　４．７６　３　３６　１８　３５　２　９２　根据表２　ＩＩ，峭度值ｌＩＪ。　Ｊ，ＩＭＦＩ和ＩＭｌ　２峭度值最人．　所以选择这两个分量埘原始信号重构，亟构后的信号波　形和频谱『』ｌ　１４所示，『】『以行ｊ｝｛，在时域波肜中故障冲。　分量更』Ｊ兀｛ｌｌｌ嚣‘，而且高频　撤部分并不受影响，同时还降　低了低频十扰的影响　对咂构ｆ．　，进行快速　峭度分析，　Ｉ　５（ａ）所爪为ｍ　构信号的快速ｉ酱峭度　从Ｉ司『｝Ｊ几『以＿『亍¨１，最火峭度蝴　带：中心频率　１０　４００，　ｊ：　为ｌ　６００，【｛『】频带［８　８００，　ｌ２　０００　范『书］内的曙峭度最人，信噪比最人，对重卡勾ｆ　‘　０．２　Ｏ　１　０　Ｌ　｛　Ｔ　Ｔ’ｌ　・ｒ　０　ｌ　（）！　０　０　１　０　２　０　３　０　４　０　５　ｆ／ｓ　（ａ）ｒ　掬　ｌ１ｊ域波　ｆａｌ　１－ｈｅ　ｔｉｍｅ—ｄｏｍａｉｎ、、“、ｅｆｏｒｍ　ｏｆ　ｒｅｃｏｎｓｔｒｕｃｌｅｄ　ｓｉｇｎａｌ　，／Ｈｚ　（ｂ）ｒＥ｛＿；１』　ｌ　晰　ｈ１　Ｔｈｅ｜ｌ＇￣ｑｔｔｃｎｃｙ　Ｓｐｅｃｌｒｔｌｌｌｌ　ｏｆ　１．ｅｃｏｌｌｓｔｒｕｃ／ｅｄ　ｓｉｇｎａｌ　罔４　砸掬ｆ．　时域波形埂其顿　Ｆｉｇ．４　Ｔｈｅ　ｔｉｍｔ・ｄｏｍａｉｎ　Ｉ｛　｜　｛￣ｆＯｌ　Ｉ１１　ａｎｄ　ｆｒｅｑｕｅｎｔ　｜　ｓｐｅｃ，ｔｒｉｉｌｎ　ｉｎ　ｌ＇｛，＇ＣＯＩｌＳ［１１ｌ（　ｔｅｄ　ｓｉｇｎａｌ　进行带通滤波，可得到滤波后的也络　训谱｛ｎＪ　５（ｂ）所　示　从　中可以吞…，　２６　Ｈｚ及ｊ　倍频处的谱ｍ　突ｌ叶ｌ，　所以Ｉ・Ｊ‘以断定轴承１人Ｊ｝趁４确有故障，符合实际。　｝１１＿ｋｍ‘ｔ　２－Ｋ　ｌ　３１　５　ｌｅｖｅｌ　３一　Ｉ　６００　Ｈｚ√ｌ（）４００¨　．ｙ—　￡一　＞　Ｈ　●●：　：　４　４　５　５　６　●　０　０　０　６　０　６　Ｏ　６　Ｏ　６　０　６　０　０　．、．　ｏ　２　０００　４　００｛）６　０００　８　００（）１　０（）００　ｌ　２０００　／／Ｈｚ　｛ａ）ｆｉ：构ｆＴ，　速【将峭Ｊ　（ａ）Ｔｈｅ　Ｉ￣ｔｓｔ　ｋ【Ｉｌ１ｔ）ｓｌｓｇｒａｐｌ１（１ｆＩｅＣＯＩ１ＳＩ１ｕｃｔｅｄ　ｓｉｇｎａ　●　●　８　４　＾＿　０　００　２０（）　３０（）４００　５０（　，／Ｈｚ　ｌＩ］｝币。均　也　ｌ　ｆ　ｂ１　ｌ＇ｈｅ　ｃｎ、　ｅｈ｝ｐｅ　ｓｐｅｃｔｌ’ｔｌｌｌｌ　ｏｆ【．ＣＣＯＩＩＳＩｒｕｃｔｅｄ　ｓｉｇｎａｌ　５　啦陶　快速　ＩＩＪｆｊｊ　及包络　｝、ｉｇ．５　Ｆｈｅｆａｓ！ｋｍ’ｈ　ｉｓ　ｇｒａｐｈａｎ￣ｔ　ｔｈｅ　ＰＩＢ　ｅｈ｝Ｉ）　ｈ‘ｉｌｎｌ　ｉｎ　ｌ　‘　ｏｎｓｔｌ３ｌ（・ｌｅｄ　ｓｉｇｎａｌ　为ｒ比较｝亥方法１　传统包络　州／ｈｆｉｆ的效　，求取　原故障ｆ　号的快速潜ｌ【ＩｉＪｊ度如图６（ａ）所　，僻刮滤波器参　数，对信　做滤波处州斤进行ｒ包络解涮分折，　始信号　的但络谱如图６（｝】）所爪，　管也能观察剑【人】　敝障特　频率２６　ｌｔｚ处的谱线，但故障频率俯顿处的　线ｉ｝｛难辨　别，而ｒＩ．还有背景噪小的影响　Ｉ　此　盯以看ｌ｝Ｉ．夺史所提　方法卡¨比于传统共振解调方法的诊断效果更好　Ｉ７８６・　电子测　０　ｌ　０　一，　Ｉ　６　２　０　２　６　３【］　３　６　４　０　４　６　５　０　５　６　６　０　０　２　０００　４　０００　６　０００　８　０００　ｌ０　０００　ｌ　２（０１［　ｌｆＨｚ　（ａ１　ｌ　ｆ　ｌ　一｝　速　ｊｌｊ　Ｊ耍　ｌａ）ＴＭ　ｓＩ　ｋｕｒｌｏｓｌｓｇｒａｐｈ　ｏｆｏｒｉｇｉｎａｌ　ｓｉｇｎａｌ　ｌ　５　＞　ｌ（）　＝　－２（）５　（）　６原信｝　‘快速滑峭度冈及包络谱　｝、ｉｇ．６　Ｔｈｅ　ｆａｓｔ　ｋｕｒ＂ｍｓｉｓｇｒａｐｈ　ａｎｄ　ｔｈｅ　ｐｎｖ　ｐＰ　ｓｐｅｅｌｒ＂ｕｌｎ　ｉｎ　ｏｒｉｇｉｎａｌ　ｓｉｇｎａｌ　５　结论　为Ｊ　克服传统包络分析法滤波器没汁的不确定　，　提　ｐ使变分模怠分解、谱峭度和包络孵　同作ＪＩ】　来诊断故障的方法　将其』、　用于ＱＰＺＺ—ｌＩ旋转机械　动故障试验平台进行榆验，得　如下纳论：　１）　丁ＶＭＤ和谱山肖度法的滚动轴承故障诊断方法　能够仃效地将含有故障特征的成分提取｝｛Ｊ束，削弱低　干扰的影响；　２）潜峭度法能够彳ｒ效度量和定佗慢噪』　背景中的断　态冲　戊分，ＩＩ『用于Ｉ　Ｉ动确定带通滤波器参数；　３）实际信号的分析验址ｒ本史方法对滚动轴承故障　特征的频率提取能够取得比传统共振解州分析更好的　效果　参考文献　熊川良，胡俊锋，陈慧，等．　于ＳＫ—ＮＩ　Ｍ包络的滚动　轴恹故障冲击特　增强　Ｊ］．仪器仪太学报，２０１６，　３７（１０）：２１７６—２１８３．　ＸＩＯＮＧ　Ｇ　Ｌ．ＨＵ　Ｊ　Ｆ，ＣＨＥＮ　Ｈ，¨ａ１．Ｒｏｌｈｎｇ　ｌＪｅａ　ｒｉｌ１ｇ　｛　ｌＩｌＩ｛　ｉｍｐａｃｔ　ｆｆａｍ￣Ｐ　ｎｈａｎｃｅＩｌ１ｅｎｔ　ｌ】ａｓｔ　（｛　ｏｎ　ｓＩ）ｅ（－ｌｒｄ　Ｊ　ｋｕｒ．ｅｒｓｔｓ　ａＭ　ｎａｉｌ—ｈｗａ１　ｍｅａｎｓ　Ｊ　１．Ｃｈｉｎｅｓｅ　Ｊｏｕｍａｌ　ａｔ　Ｓ【　ＩＰｎｔｉｆｉ【－Ｉｎｓ｛ｆｕｍｅ｛１ｆ，２０１６，３７（１０）：２１７６—２１８３．　仪器学｝ｌ｛　３１签　［２］　吴　．　ｊ　物联　和使　聚炎的　Ｊ发ＩＵ没矫敝障诊　断系统及　‘法　Ｊ　Ｊ，电ｒｊｆＪ！ｌＪ　技术．２０Ｉ６，３９（３）：１６２一　ｌ６４．　ＷＵ　ｌ　１．　Ｆａｕａｉ　ｒ　ｃｈａｇｎｏｓｉｓ　ｓｖｓｌＩ　Ｉ１１　ａｌ１（Ｉ　ｍｅｔｈ￣，‘ｌ　Ｉ１ｆ１、￣ｉｎｄ【ｌ（）　ＩＪｒ　ｅ　ｅｑｎｉｅ　ｌ￣　ｎｌ　ｂａｓｅ（１　Ｏｉｌ　ｔｈｅ　＿１　］｜．ｎｅＩ　ｏｆ　ｔｈｉｎｇｓ　ａｎｔＩ　ｆｌ：ｚｚｖ　Ｃ　ｃｌｕｓｈ　叩　Ｉ＇ｉｎｇ　ｌ－　Ｊ．　Ｅｌｅｃｍｍｈ・Ｍ　ｌ　ｅｍｅ／ｌ｜Ｔｔ　｝Ⅲｆ，　，　Ｃ　，２０１６，３９（３）：ｌ６２一ｌ６４．　￡三＾．Ｊ　瞒．１ｊ史站，三ｍ㈣Ｏ　　旭，湍菲　．九人机机载发电ｆＪＬ敝障诊断技　术研究【＿Ｊ　．阳外电子洲　技术，２０１６，３５（８）：０４—９７．　ＷＡＮ（¨　　Ｗ　Ｊ．Ｌ１ＡＮＧ　Ｘ．ＷＩ　：Ｎ　、Ｆ．ＲＰｓｅａＦｔ－｝１　ｆｉｎ　ｆａｕｈ　（１ｉｄ￣ｇｇｎｏｓｉ　ｓ　ｔ“・ｈｎｏｌｏｇｙ　ｆｉ；ｒ【ＪＡＶ　ａｉｒｈｏｒｒｔｉｅ　ｇｅｎｃｒａｌｏｒ『Ｉ１．　Ｆ０ｌ’ｅｉｇｎ　Ｅｌｅｃｔｍｎｉｃ　Ｍｅａｓｕｒｅ｛ｍｅｎ｛Ｔｅｃｈｎｏｈ，ｇｙ．９＿０１６．　３５（８）：９４—９７．　［４］　马增　，　・　建，李延忠，等．改进　共抓解州器　轴　承・　障诊幽　ｒｆ１的应ＪＩＪ　＿Ｊ］．电ｒ　４蕾　仪器学报，　２０１６，３０（１２）：１９２５—１９３１．　ＭＡ　（Ｉ１，ＧＵ　Ｃ　Ｊ，ｌＪｌ　Ｙ　ＺＨ，ｅｔ　ａ１．ＡｐｐＩｔ｛・ａｒｉａｎ【１ｆ＇　ｉｍｐｒ＇ｌｉｖｅ（１　ｓｏｎａｌ１ｌ１。Ｐ　ｄｅｎ．．ｄｎｌｍｏｒ　ｉｎ　ｌ＂ｏｉｌｉｎｇ　ｌＪＰａｒｊｌａｇ　ｆａｕｈ　ｄｉａｇｎｏｓｉｓ｛Ｊ’．Ｊｏｕｒ３ｍｌ‘’ｆ　Ｅｌｅｃ－Ｉｌ＂ａｎｔｅ　Ｍｔ　ａｓｌ：ｒｒｍｅｒｉｔ　ａｌｌ（Ｉ　ｌｎｓｔｒ１１１１１｛＂ｌｌｔａｌＪｉ（ｍ，２０１６，３０（Ｉ２）：１９２５—１９３１．　５］　仗ｆ１ｌ＇ｉ　，畅　，刘水慢，等．坫』　共振解　爿的铁路货　车ｊ＝【ＩＩ惬敞障诊断［Ｊ］．　家Ｊ＿Ｉ　铁道大　、　报：『１然科学　版，２０ｌ３．２６（４）：４７—５１．　ＨＯＵ　１．Ｘ．ＹＡＮＧ　ＳＨ　Ｉ　．ＩＪ【ｊ　Ｙ　Ｑ．ｅｔ　ａ１．Ｒａｉｌ￣ｖ　ｗａｇｏｎ　｝１ｅａｒｉ　ｒｌｇ　ｉｆｍｈ　ｄｉａｇｍｌ　ｉｓ　Ｉｍｓｅｄ　ＯＩＩ　ｒ　，ｓｏｎａＨ（・Ｐ　ｄｅｍｏｄｕｌｍｉｏｔ１【Ｊ＿．　Ｊ（１ｌ¨＂ｈａｌ　ｏｆ　Ｓｈｉｊｉａｚｈｕａｎｇ　Ｔｑｅｄａｏ　Ｕｎｉｖｅｒｓｉｔｙ：ＩＮａ，ｔｕＥａｌ　Ｓｄｅｍ＇，ｅ．２０１　３，２６（４）：４７－５１．　６］　王　乐．　灿，会慢．≥。　Ｊ　啦拟仪器的机１　滚动轴惬Ｉｌｌ５（　障诊断６ＪＤ＇￣［Ｊｊ．ｆ　家Ｊ１　铁道大　：　报：ｒｔ然科　、　：版，　２０１２，２５（３）：８７．－９１．　ＷＡＮ（；Ｊ　ｌ　，ＷＡＮＧ　Ｃ，Ｈ　Ｌ。Ｉ（．），ｅｔ　ａ１．Ｒｔ　Ｈ　Ｉｒ‘・Ｉｉ　ｃｎ　ｔｈｕｈ　ｄｉａｇｎｕ）ｓｉｓ　ｏｆ　ｎａｃｔｉｖｅ　ｓｔ￣ｎ：ｋ　）Ｉｌｉｎｇ　ｂｆ　ａｌ’ｉｎｇｓ　ｂａｓｅｄ　Ｏｉｌ　ｖｊ　Ｈａｌ　ｉｉｒｓｈ＂ｕｍｅｎ［Ｊ　Ｊ　．Ｊ（ｍｍａｌ　Ｉ）Ｊ．吲１ｉｈａｚｈ，，ａｎｇ　Ｉ＂ｄａｏ　Ｕｎｉｖｔ　Ｉ＂ｓｉｔｙ：Ｎａｔｕｒａｌ　Ｓｃｉｅｉｌｔ。ｔ　，２０ｌ２，２５（３）：８７．－９１．　７　Ｊ　左从十小，　５怀仟．基Ｔ　ＥＭＩ）分孵和共振解州的滚动轴　承＾殳障诊断研究［Ｊ　．　家　铁道人　：报：ｎ然科学　版，２０１４，２７（３）：５９—６４．　ＺＵＯ　Ｌ）　ＭＡ　Ｈ　Ｘ．Ｉ｛Ｐｓｔ＿．ａｒ（・ｈ（１１１　ｒｏｌｌｎｉｇ　ｈｒａｒｉｎｇ　ｔａｕｈ　ｄｉａｇｒａｍｓ］ｅｒｓｅｔｌ　Ｏｌ１　ＥＭＩ）ｄｅＣＯ：１ｌＩ）（）ｓｍ（ＪＪｌ　ａｎｄ　ｌｅｓ（ｍａｎｃ－Ｐ　ｄｅｍｏｄｕｌｍｉｏｒｌ＿Ｊ　Ｊ．　Ｊ（ｍｒ＂，ｌａｌ　ｏｆ　Ｓｈｉ　ｊｉａｚｈｍｌｌｌｇ　Ｔｉｅｄａｏ　Ｕｎｉｗ，ｒｓｉｔｙ：ＮａｔｕＪｒａｌ　Ｓｃｉ￣、ＩＩＣ（￣．２０１４，２７（３）：５９—６４．　［８］　张忠川，　¨晓辫，施令。　ｒ改进ＥＭ１）卡【　ｌｌｌＩ『Ｉｊ发法　滚动轴乐故障特　捉取　Ｊ　ｌ＿振动、洲　‘ｊ诊断，　２Ｏ１３，３３（３）：４７８－４８２．　ＺＨＡＮ（　ＺＨ　Ｇ，ＳＨＪ　Ｘ　Ｈ，ＳＨＩ　Ｌ１，ｔⅡａ１．ｈｌｉＩｔ　ｔｂａｔｕｒｅ　ｅｘｔｒｉ１（’ｔ　Ｊｏｙ１　ｏｉ　ｒｏｌｈｎｇ　ｅｌｅｍｅｎｌ　Ｉｌｅａｆｉｎｇ　１）ａｓｔ　ｌｌ　Ｏｉ／ｉｌｍｐｍｗ￣ｄ　ＥＭｌ】ａ【ｌ（Ｉ　ｓｐｅｃｔｒａｌ　ｋｕｍＭｓ　Ｊ．Ｊｏ．ｒｌｍｌ（Ｉｆ　Ｖｉｂ】ｒａｌｉｏｎ，　Ｍｅａｓｎｒ＂，ｅｎｌｅｌ１ｔ＆Ｄｉａｇｎｏｓｉｓ，２０ｌ３，３３（３）：４７８－４８２．　第１１期　基于变分模态分解和谱峭度法的滚动轴承故障特征提取　・１７８７・　［９］ＤＲＡＧＯＭＩＲＥＴＳＫＩＹ　Ｋ，ＺＯＳＳＯ　Ｄ．Ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　［１４］　李亚超．基于ＶＭＤ的滚动轴承故障诊断方法研　ｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，　２０１３。１０（１１０９）：１－１５．　［１０］刘长良，武英杰，甄成刚．基于变分模态分解和模糊Ｃ　均值聚类的滚动轴承故障诊断［Ｊ］．中国电机工程学　报，２０１５，３５（１３）：３３５８—３３６４．　ＬＩＵ　ＣＨ　Ｌ．ＷＵ　Ｙ　Ｊ．ＺＨＥＮ　ＣＨ　Ｇ．Ｒｏｉｌｉｎｇ　ｂｅａｒｉｎｇ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　Ｏｉｌ　ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ａｎｄ　ｆｕｚｚｙ　Ｃ　ｍｅａｎｓ　ｃｌｕｓｔｅｒｉｎｇ［Ｊ］．Ｐｒｏｃｅｓｄｉｎｇｓ　ｏｆ　ＣＳＥＥ，　２０１５，３５（１３）：３３５８—３３６４．　［１１］唐贵基，王晓龙．参数优化变分模态分解方法在滚动　轴承早期故障诊断中的应用［Ｊ］．西安交通大学学报，　２０１５，４９（５）：７３—８１．　ＴＡＮＧ　Ｇ　Ｊ，ＷＡＮＧ　Ｘ　Ｌ．Ｐａｒａｍｅｔｅｒ　ｏｐｔｉｍｉｚｅｄ　ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｍｅｔｈｏｄ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｉｎｃｉｐｉｅｎｔ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｘｉ’ａｎ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，２０１５，４９（５）：７３—８１．　［１２］ＤＷＹＥＲ　Ｒ　Ｆ．Ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｎｏｎ—Ｇａｕｓｓｉａｎ　ｓｉｇｎａｌｓ　ｂｙ　ｒｆｅｑｕｅｎｃｙ　ｄｏｍａｉｎ　ｋｕｒｔｏｓｉｓ　ｅｓｔｉｍａｔｉｏｎ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　Ｏｎ　Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，　１９８３：６０７－６１０．　［１３］　马增强，李亚超，刘政，等．基于变分模态分解和　Ｔｅａｇｅｒ能量算子的滚动轴承故障特征提取［Ｊ］．振动　与冲击，２０１６，３５（１３）：１３４—１３９．　ＭＡ　Ｚ　Ｑ，ＬＩ　Ｙ　ＣＨ，ＬＩＵ　ＺＨ，ｅｔ　ａ１．Ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ’Ｓ　ｆａｕｌｔ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ａｎｄ　Ｔｅａｇｅｒ　ｅｎｅｒｇｙ　ｏｐｅｒａｔｏｒ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｖｉｂｒａｔｉｏｎ　ａｎｄ　Ｓｈｏｃｋ，２０１６，３５（１３）：１３４—１３９．　究［Ｄ］．石家庄：石家庄铁道大学，２０１６．　ＬＩ　Ｙ　ＣＨ．Ｒｅｓｅａｒｃｈ　ｏｎ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｆｏｒ　ｒｏｉｌｉｎｇ　ｂｅａｔｉｎｇ　ｂａｓｅｄ　ｏｎ　ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｄ］．　Ｓｈｉｊｉａｚｈｕａｎｇ：Ｓｈｉｊｉａｚｈｕａｎｇ　Ｔｉｅｄａｏ　Ｕｎｉｖｅｒｓｉｔｙ，２０１６．　［１５］高红玮，张丽荣，侯少杰．基于变分模态分解改进方　法的滚动轴承故障特征提取［Ｊ］．图学学报，２０１６，　３７（６）：８６２—８６７．　ＧＡＯ　Ｈ　Ｗ，ＺＨＡＮＧ　Ｌ　Ｒ，ＨＯＵ　ＳＨ　Ｊ．Ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｆａｕｌｔ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ｖａｒｉａｔｉｏｎａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｇｒａｐｈｉｃｓ，２０１６，　３７（６）：８６２—８６７．　［１６］　ＡＮＴＯＮ！Ｊ．Ｔｈｅ　ｓｐｅｃｔｒｌａ　ｋｕｒｔｏｓｉｓ：Ａ　ｕｓｅｆｕｌ　ｔｏｏｌ　ｆｏｒ　ｃｈａｒａｃｔｅｒｉｓｉｎｇ　ｎｏｎ－ｓｔａｔｉｏｎａｒｙ　ｓｉｇｎａｌｓ［Ｊ］．Ｍｅｃｈａｎｉｃｌａ　Ｓｙｓｔｅｍｓ　ａｎｄ　Ｓｉｎｇａｌ，２００６（２０）：２８２—３０７．　作者简介　＿　Ｍａ　Ｚｅｎｇｑｉａｎｇ（Ｃｏｒ年位现机Ｅ－ｍ于为车，２ａ０马河石车ｉｌ１　：增北家辆ｍｒ年ｚｅｓ强工庄状ｑｐｏｎｄｉｌ于业铁态ｕ（ｎ通北ｗ道监大ｅ讯ｎｇ　ａ京测ｎ学＠作交与获１ｕｔ者２通教故得６ｈｏ）大授．障学ｒ）ｒｅ，分ｏ诊ｍ士主别断　获ｅｃｅｉ学要在得。　位研ｖｅｄ　Ｂ．Ｓｃ．博１和究９士硕方８学、士２向０位学为１　，　ａｎｄ　Ｍ．Ｓｃ．ｂｏｔｈ　ｆｒｏｍ　Ｈｅｂｅｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ　ｉｎ　１９９８　ａｎｄ　２００１，ａｎｄ　Ｐｈ．Ｄ．ｆｒｏｍ　Ｂｅｉｊｉｎｇ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｉｎ　２０１　ｌ，　ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｎｏｗ　ｈｅ　ｉｓ　ａ　ｐｒｏｆｅｓｓｏｒ　ｉｎ　Ｓｈｉｊｉａｚｈｕａｎｇ　Ｔｉｅｄａｏ　Ｕｎｉｖｅｒｓｉｔｙ．Ｈｉｓ　ｍａｉｎ　ｒｅｓｅａｒｃｈ　ｄｉｒｅｃｔｉｏｎ　ｉｓ　ｖｅｈｉｃｌｅ　ｓｔａｔｕｓ　ｉｎｓｐｅｃｔｉｏｎ　ａｎｄ　ｆａｕｈ　ｄｉａｇｎｏｓｉｓ．