陈亚农，郜普刚，何 田，刘献栋

(1.南京航空航天大学 能源与动力学院，南京 210016;2.北京航空航天大学 交通科学与工程学院，北京 100191)

滚动轴承是旋转机械最常用的、也是最易损伤的零部件之一，其状态监测和故障诊断一直为大家所重视。滚动轴承由于受载荷、摩擦力、阻尼、传播路径和噪声等多种因素的影响，实际采集到的包含轴承故障信息的振动信号是多分量的调幅-调频信号［1］。

滚动轴承故障诊断的关键问题是多分量调幅调频故障信号的处理，以对故障特征信号进行识别，提取故障特征信息。滚动轴承故障诊断的方法有很多，如Hilbert解调、窗口傅里叶变换、小波变换、神经网络、经验模态分解(EMD)等，但这些方法都具有一定的局限性。如:Hilbert包络解调方法只对单分量的调制信号有效，受噪声影响严重［2］。而窗口傅里叶变换的时频窗口大小是固定不变的［3］;小波变换一旦选择了小波基和分解尺度，所得到的结果是某一固定频带的信号，从这一点上来讲，小波分析不具有自适应性［4］;神经网络的识别效果依赖于所提取的特征参数的有效性和网络参数的选取［5］;EMD虽然是一种自适应的时频分析方法，但本身算法还存在一些问题，如基本模式分量的判据问题、端点效应以及欠包络和过包络等问题［6］。

局部均值分解(Local mean decomposition，简称LMD)是在EMD的基础上提出的一种新的自适应时频分析方法［7］。与EMD相比，LMD端点效应得到了一定的抑制，解决了欠包络和过包络的问题。国内一些学者进行了LMD和EMD两种方法的比较研究，论证和说明了LMD方法的优越性［8-9］。……