陈仁祥，汤宝平，马婧华

(重庆大学 机械传动国家重点实验室，重庆 400030)

机械设备发生早期故障时，故障信号一般很弱，常常淹没在噪声信号中。因此，为了准确提取故障信息，需要对原始信号降噪，提高信噪比。由于机械设备振动信号的非高斯、非平稳特性，基于传统傅里叶变换的降噪方法存在保护信号边缘和抑制噪声之间的矛盾，难以正确识别信号中的噪声并加以去除。基于小波变换的降噪方法［1－2］，对非平稳信号降噪，要比传统的滤波降噪方法效果好，但这种方法存在选择小波基和确定阈值等问题［3－4］。

Huang等［5］提出一种新的非平稳信号处理方法——经验模式分解(Empirical Mode Decomposition，EMD)，EMD是一种完全基于数据驱动的自适应分解方法，能将信号从高频到低频分解成有限个具有物理意义的固有模式函数(Intrinsic Mode Function，IMF)和余项之和。文献［6］进一步分析了EMD方法对高斯白噪声的分解，得出EMD可以作为二进滤波器的结论。然而，EMD本身存在一些不足，如模式混叠、端点效应、停止条件等［7－8］。模式混叠是指1个IMF中包含差异极大的特征时间尺度，或者相近的特征时间尺度分布在不同的IMF中［10］，导致相邻的2个IMF波形混叠，相互影响，难以辨别。Huang［5］认为引起模式混叠的原因在于间歇现象(intermittency)，引起间歇现象的往往是异常事件(如间断信号，脉冲干扰和噪声等)。因此，模式混叠现象使EMD对含有异常事件的信号的降噪效果不佳［9－11］。

为了抑制模式混叠，Wu等［12］提出一种集合经验模式分解方法，该方法将噪声辅助分析应用于经验模式分解中，以促进抗混分解，有效的抑制了混叠现象。……