孙 伟，熊邦书，黄建萍，莫 燕

(1.南昌航空大学 信息工程学院，南昌 330063;2.中国直升机设计研究所 直升机旋翼动力学国防科技重点实验室，江西景德镇 333001)

滚动轴承是机械设备最为关键部件之一，轴承的缺陷和损伤将直接影响设备稳定运行甚至造成整个设备的损坏。由于滚动轴承的工作环境与工作机理，其故障信号一般表现为非平稳、非线性的，而且易受到随机噪声的干扰，使得故障信号的信噪比较低，难以提取故障特征。

滚动轴承故障诊断的关键是从轴承振动信号中提取故障特征。时频分析方法是提取故障特征的主要方法之一，能同时提取振动信号时域和频域的局部信息，因而在故障诊断中得到广泛应用［1］。常见的时频分析方法有Wigner分布、短时傅里叶变换、小波变换，HHT变换等［2］，但它们都有各自的局限性。Smith［3］提出了一种新的自适应时频分析方法，称之为局域均值分解(LMD)，并成功应用于脑电(EEG)信号的时频分析中，该方法能有效处理非线性、非平稳信号，近几年在故障诊断中［4－6］取得了良好的效果。但是实际信号中往往夹杂了大量的噪声，这些噪声也参与LMD分解，致使原始故障特征信息与噪声混淆而不易提取，不仅如此，噪声成份使得LMD分解层数增加，还可能导致算法不收敛，加重边界效应，严重时会使LMD分解失去实际的物理意义，从而影响对故障的准确诊断。因此，为了提高LMD方法在滚动轴承故障诊断中精度，本文提出了一种基于小波包降噪［7］和LMD分解相结合方法。……