高清清 贾民平

(东南大学机械工程学院，南京 211189)

机械设备中大部分都是旋转机械，旋转机械设备发生异常或故障时，其振动信号多表现为非线性、非平稳特征［1］.对于这类非平稳信号的分析方法有短时傅里叶变换、Wigner-Ville分布、小波变换［2］等，但这些方法都存在一定的局限性.如短时傅里叶变换自适应性差;Wigner-Ville分布存在交叉干扰项;小波变换需预先设定基函数和分解尺度，难以在工程中得到广泛使用.

经验模式分解(EMD)［3］是将信号分解为有限个高频到低频的本征模态函数(IMF)的和.由于该方法的自适应性，在处理非线性、非平稳信号上具有明显的优势，因此，近年来被广泛应用于机械故障诊断［4-5］.但 EMD存在模态混叠问题，模态混叠［6］是指1个IMF分量中包含差异很大的特征时间尺度，或者相近的特征时间尺度分布在不同的IMF分量中，为了抑制模式混叠，Huang等［7］提出集合经验模式分解(EEMD)，是一种噪声辅助的数据分析方法，能够很好地还原信号的本质，是对EMD算法的重大改进.

另一方面，奇异谱熵在机械信号信息量评估、信息成分分析等多方面有独特性能，是对时间序列进行空间的一个重构.但奇异谱熵需人为确定嵌入维数和延时常数，限制了其在机械故障诊断中的应用［8］.本文提出基于EEMD的奇异谱熵的故障诊断方法，以车削细长轴为试验对象，采集车削时的振动信号，利用该方法对其进行分析.

1 EMD算法和EEMD算法

设原始信号为x(t)，EMD算法是把x(t)分解为一组IMF分量ci和余项rn的和，即

EMD存……