Research on weak fault feature extraction of rolling bearings based on integrated ICEEMDAN-VME-MOMEDA algorithm

ZHAO Naizhuo; LIAN Jiapeng; GAO Yongxin

doi:10.16579/j.issn.1001.9669.2026.05.016

您当前的位置：

首页 >

文章列表页 >

Research on weak fault feature extraction of rolling bearings based on integrated ICEEMDAN-VME-MOMEDA algorithm

·Vibration·Noise·Monitoring·Diagnosis· | 更新时间：2026-05-19

- Research on weak fault feature extraction of rolling bearings based on integrated ICEEMDAN-VME-MOMEDA algorithm
- Journal of Mechanical Strength Vol. 48, Issue 5, Pages: 140-149(2026)
- 作者机构：
  
  辽宁工程技术大学机械工程学院，阜新 123000
- 作者简介：
  
  LIAN Jiapeng, E-mail:644456765@qq.com
- 基金信息：
- DOI：10.16579/j.issn.1001.9669.2026.05.016
  CLC： TH17;TH133.3
- Received：26 August 2024，
  
  Revised：2024-09-10，
  
  Published：15 May 2026
- 稿件说明：
移动端阅览
赵乃卓，廉嘉鹏，高永新. 综合ICEEMDAN-VME-MOMEDA算法的滚动轴承微弱故障特征提取研究［J］. 机械强度，2026，48（5）：140-149.

ZHAO Naizhuo，LIAN Jiapeng，GAO Yongxin. Research on weak fault feature extraction of rolling bearings based on integrated ICEEMDAN-VME-MOMEDA algorithm［J］. Journal of Mechanical Strength，2026，48（5）：140-149.
赵乃卓，廉嘉鹏，高永新. 综合ICEEMDAN-VME-MOMEDA算法的滚动轴承微弱故障特征提取研究［J］. 机械强度，2026，48（5）：140-149. DOI： 10.16579/j.issn.1001.9669.2026.05.016.

ZHAO Naizhuo，LIAN Jiapeng，GAO Yongxin. Research on weak fault feature extraction of rolling bearings based on integrated ICEEMDAN-VME-MOMEDA algorithm［J］. Journal of Mechanical Strength，2026，48（5）：140-149. DOI： 10.16579/j.issn.1001.9669.2026.05.016.

摘要

目的

针对强噪声背景下滚动轴承微弱故障特征难以准确提取的问题，提出一种综合改进自适应噪声完备集合经验模态分解（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise

ICEEMDAN）、变分模态提取（Variational Mode Extraction

VME）和多点最优最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted

MOMEDA）的故障特征提取算法，旨在提升微弱故障特征的识别精度。

方法

首先，以最小包络熵为目标，采用冠豪猪（Crested Porcupine Optimize

CPO）搜索算法优化ICEEMDAN算法的白噪声幅值权重与添加噪声次数，对原始振动信号进行分解，并以包络谱谱峰因子为指标，筛选出最佳本征模态分量；其次，以最小包络熵为目标，利用CPO算法优化VME算法的平衡参数与中心频率，提取该分量中最能表征故障信息的频段；然后，以包络谱谱峰因子为目标，通过CPO算法优化MOMEDA算法的滤波器长度与故障脉冲周期，对提取信号进行特征增强；最后，对增强后的信号进行包络解调分析，提取故障特征频率。

结果

经公开数据集验证，所提方法能清晰提取滚动轴承内圈故障频率（162.185 2 Hz）及其多倍频成分，包络谱中干扰频率被有效抑制；外圈故障特征频率（107.364 3 Hz）同样被准确识别。相比单独使用ICEEMDAN算法或VME算法，该算法能更有效地突显故障冲击脉冲，信噪比显著提升，为故障类型的准确识别提供了可靠依据。

Abstract

Objective

To address the challenge of accurately extracting weak fault features of rolling bearings under strong background noise

a novel fault feature extraction method integrating improved complete ensemble empirical mode decomposition with adaptive noise (ICEEMDAN)

variational mode extraction (VME)

and multipoint optimal minimum entropy deconvolution adjusted (MOMEDA) was proposed. The aim is to enhance the identification accuracy of weak fault characteristics.

Methods

Firstly

with minimum envelope entropy as the objective

the crested porcupine optimizer (CPO) algorithm was employed to optimize the white noise amplitude weight and the number of added noise ensembles for ICEEMDAN. The original vibration signal was decomposed

and the optimal intrinsic mode function (IMF) was selected based on the maximum envelope spectrum peak factor. Secondly

guided by minimum envelope entropy

CPO optimized the balancing parameter and center frequency of VME to extract the frequency band containing the most critical fault information from the optimal IMF. Then

targeting the maximum envelope spectrum peak factor

CPO optimized the filter length and fault pulse period for MOMEDA to enhance the fault features of the extracted signal. Finally

envelope demodulation analysis was performed on the enhanced signal to extract fault characteristic frequencies.

Results

Validated by a public dataset

the proposed method clearly extracted the inner race fault frequency (162.185 2 Hz) of the rolling bearing and its multiples

with interference frequencies effectively suppressed in the envelope spectrum. The outer race fault characteristic frequency (107.364 3 Hz) is also accurately identified. Compared to using ICEEMDAN or VME alone

this method more effectively highlights fault-induced impulses

significantly improves the signal-to-noise ratio

and provides a reliable basis for accurate fault type identification.

关键词

Keywords

references

胡超凡，王衍学 . 基于张量分解的滚动轴承复合故障多通道信号降噪方法研究［J］. 机械工程学报， 2019 ， 55 （ 12 ）： 50 - 57 .

HU Chaofan ， WANG Yanxue . Research on multi-channel signal denoising method for multiple faults diagnosis of rolling element bearings based on tensor factorization ［J］. Journal of Mechanical Engineering ， 2019 ， 55 （ 12 ）： 50 - 57 . （In Chinese）

SONG Q Y ， JIANG X X ， DU G F ， et al . Smart multichannel mode extraction for enhanced bearing fault diagnosis ［J］. Mechanical Systems and Signal Processing ， 2023 ， 189 ： 110107 .

鄢小安，贾民平 . 基于参数自适应特征模态分解的滚动轴承故障诊断方法［J］. 仪器仪表学报， 2022 ， 43 （ 10 ）： 252 - 259 .

YAN Xiaoan ， JIA Minping . A rolling bearing fault diagnosis method based on parameter-adaptive feature mode decomposition ［J］. Chinese Journal of Scientific Instrument ， 2022 ， 43 （ 10 ）： 252 - 259 . （In Chinese）

陈继祥，周想凌，程振华，等 . 基于ICEEMDAN和EMDE的滚动轴承故障诊断［J］. 中国工程机械学报， 2024 ， 22 （ 1 ）： 107 - 112 .

CHEN Jixiang ， ZHOU Xiangling ， CHENG Zhenhua ， et al . Fault diagnosis of rolling bearing based on ICEEMDAN and EMDE ［J］. Chinese Journal of Construction Machinery ， 2024 ， 22 （ 1 ）： 107 - 112 . （In Chinese）

NAZARI M ， SAKHAEI S M ， NAZARI M ， et al . Variational mode extraction：a new efficient method to derive respiratory signals from ECG ［J］. IEEE Journal of Biomedical and Health Informatics ， 2018 ， 22 （ 4 ）： 1059 - 1067 .

郭远晶，金晓航，魏燕定，等 . S变换引导变分模态提取的旋转机械故障诊断方法［J］. 振动工程学报， 2022 ， 35 （ 5 ）： 1289 - 1298 .

GUO Yuanjing ， JIN Xiaohang ， WEI Yanding ， et al . Fault diagnosis method of rotating machinery using variational mode extraction guided by S transform ［J］. Journal of Vibration Engineering ， 2022 ， 35 （ 5 ）： 1289 - 1298 . （In Chinese）

DYER D ， STEWART R M . Detection of rolling element bearing damage by statistical vibration analysis ［J］. Journal of Mechanical Design ， 1978 ， 100 （ 2 ）： 229 - 235 .

陈丙炎，宋冬利，张卫华，等 . 改进MOMEDA方法及其在滚动轴承故障特征增强中的应用［J］. 机械强度， 2021 ， 43 （ 1 ）： 1 - 8 .

CHEN Bingyan ， SONG Dongli ， ZHANG Weihua ， et al . Improved MOMEDA method and its application to fault feature enhancement of rolling element bearings ［J］. Journal of Mechanical Strength ， 2021 ， 43 （ 1 ）： 1 - 8 . （In Chinese）

石佳，黄宇峰，王锋 . 基于ACMD与改进MOMEDA的滚动轴承故障诊断［J］. 振动与冲击， 2023 ， 42 （ 16 ）： 218 - 226 .

SHI Jia ， HUANG Yufeng ， WANG Feng . A method of fault diagnosis of rolling bearings based on ACMD and improved MOMEDA ［J］. Journal of Vibration and Shock ， 2023 ， 42 （ 16 ）： 218 - 226 . （In Chinese）

郭金泉，吴欣然，钟建华 . 基于CEEMDAN与PSO-MOMEDA的滚动轴承故障诊断方法［J］. 组合机床与自动化加工技术， 2022 （ 10 ）： 164 - 168 .

GUO Jinquan ， WU Xinran ， ZHONG Jianhua . Fault feature extraction for rolling bearing based on CEEMDAN and PSO-MOMEDA ［J］. Modular Machine Tool & Automatic Manufacturing Technique ， 2022 （ 10 ）： 164 - 168 . （In Chinese）

赵鑫，常喜强，李梦女 . 基于ICEEMDAN-PE/FE-IGWO-SVR的混合多步分解短期风速预测方法［J］. 现代电子技术， 2023 ， 46 （ 1 ）： 124 - 130 .

ZHAO Xin ， CHANG Xiqiang ， LI Mengnü . Hybrid multi-step decomposition short-term wind speed prediction method based on ICEEMDAN-PE/FE-IGWO-SVR ［J］. Modern Electronics Technique ， 2023 ， 46 （ 1 ）： 124 - 130 . （In Chinese）

王梦 . 基于阶次分析的旋转机械故障诊断方法研究［D］. 秦皇岛：燕山大学， 2014 ： 31 - 32 .

WANG Meng . Study on order analysis-based fault diagnosis method of rotating machinery ［D］. Qinhuangdao ： Yanshan University ， 2014 ： 31 - 32 . （In Chinese）

王思亮 . 基于经验模态分解和神经网络的非线性信号预测［D］. 西安：西安邮电大学， 2018 ： 7 - 10 .

WANG Siliang . Nonlinear signal prediction based on empirical mode decomposition and neural network ［D］. Xi’an ： Xi’an University of Posts and Telecommunications ， 2018 ： 7 - 10 . （In Chinese）

王鑫，江星星，宋秋昱，等 . 自适应变分模式提取的轴承故障诊断方法［J］. 振动与冲击， 2023 ， 42 （ 15 ）： 83 - 91 .

WANG Xin ， JIANG Xingxing ， SONG Qiuyu ， et al . Bearing fault diagnosis method based on adaptive variational mode extraction ［J］. Journal of Vibration and Shock ， 2023 ， 42 （ 15 ）： 83 - 91 . （In Chinese）

蔡赛男，宋卫星，班利明，等 . 基于鲸鱼算法优化LSSVM的滚动轴承故障诊断［J］. 控制与决策， 2022 ， 37 （ 1 ）： 230 - 236 .

CAI Sainan ， SONG Weixing ， BAN Liming ， et al . Fault diagnosis method of rolling bearing based on LSSVM optimized by whale optimization algorithm ［J］. Control and Decision ， 2022 ， 37 （ 1 ）： 230 - 236 . （In Chinese）

曹亚磊，杜应军，韦广，等 . SGMD-MOMEDA滚动轴承故障特征提取方法研究［J］. 机械强度， 2022 ， 44 （ 6 ）： 1279 - 1285 .

CAO Yalei ， DU Yingjun ， WEI Guang ， et al . Research on rolling bearing fault feature extraction method with SGMD-MOMEDA ［J］. Journal of Mechanical Strength ， 2022 ， 44 （ 6 ）： 1279 - 1285 . （In Chinese）

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

WEAK FAULT FEATURE EXTRACTION OF ROLLING BEARING BASED ON PARAMETER OPTIMIZED MOMEDA AND CEEMDAN

ROLLING BEARING WEAK FAULT FEATURE EXTRACTION BASED ON MULTIPOINT OPTIMAL MINIMUM ENTROY DECONVOLUTION ADJUSTED AND ADAPTIVE STOCHASTIC RESONANCE WITH CUCKOO SEARCH

FAULT DIAGNOSIS METHOD BASED ON LCD AND MULTIFRACTAL DETREDED FLUCTUATION ANALYSIS

Study on remaining useful life prediction method of grinding wheel based on CEEMDAN-LSTM-MHSA

Fault diagnosis of motor rolling bearings based on dual⁃channel information fusion and VCC-FuseNet

Related Author

HAN XueFei

SHI Zhan

HUA YunSong

QUAN ZhenYa

ZHANG XueLiang

YANG Le

CHI Yulun

HUANG Haolun

Related Institution

School of Photoelectric Information ＆ Computer Engineering,University of Shanghai for Science and Technology

Taiyuan University of Science and Technology

Shanxi Conservancy Technical Institute

Institute of Automation,Chong Qing Industry Polytechnic College

School of Mechanical Engineering, University of Shanghai For Science and Technology

⁰