吴炳胜，徐 芮，姜金俊

(1.河北工程大学机电学院，河北邯郸056038;2.中国航天空气动力技术研究院，北京100074)

机械转子系统故障诊断由故障信号的采集、故障类型的分析和故障诊断三部分构成[1]。其中，转子故障信号的采集通常采用经验模态分解算法(Empirical Mode Decomposition，EMD)将振动信号分解为多个固有模态函数(Intrinsic Mode Function，IMF)分量，通过具有智能特性的AR自回归模型进行建模[2－3]，但在EMD的分解过程中容易出现端部效应，影响分解得到的 IMF分量[4－5];转子故障类型的识别往往通过具有一定智能特性的人工神经网络进行训练，而后进行预测建模，然而模型自身总是具有一定的不足和缺陷[6]，如:模型训练速度慢、易陷入局部最优、过度学习等问题[7－8]。本文利用镜像延拓法抑制端部效应以分解出能很好的反映数据的内在特征及变化规律的IMF分量，更有效地提取原始信号所包含的丰富信息;利用具有良好泛化特性及预测推广能力的支持向量机(Support Vector Machine，SVM)解决传统分类或回归方法的缺陷，试图建立一种较为完善的转子故障诊断系统。

1 转子故障诊断系统的建立

1.1 EMD算法的端点效应处理

EMD算法的基本思路是把待处理信号分解得到多个 IMF 分量[9－10]，且 IMF 分量须满足:(1)在整个信号中采集时间内，零点数与极值点数相等或者相差不大于1;(2)在任意时刻点，信号的局部极大值点所确定的包络线和局部极小值点确定的包络线二者的均值为0。处理过程如下:

在分解处理信号x(t)时，用所有极大值点和所有极小值点分别拟合出x(t)的上包络线esup(t)和下包络线einf(t)