刘进，王莉，张丹旭

(空军工程大学 防空反导学院，西安 710051)

轴承损伤是发电机常见的故障之一，其故障率占到发电机总故障的30%～40%。试验表明，轴承故障位置不同，故障特征频率也不同，可以根据振动信号中有无故障特征频率来判别轴承发生何种故障。目前，主要研究方法有Fourier变化和小波变化等，但均有不足之处：Fourier变换的诊断精度易受诊断过程中噪声等因素的影响[1-2]；小波变换本质上是一种线性变化，不能较好的处理非线性问题[3-4]。

当轴承出现损伤故障后，其振动信号中会出现相应的故障特征分量及高次谐波分量[5]。由于轴承自身结构特点，正常轴承也有相当复杂的背景噪声，而故障特征频率往往是低频分量，容易被强烈的背景噪声淹没，想通过对轴承振动信号的简单分析进行故障诊断十分困难。

因此，尝试将改进经验模态分解(Empirical Mode Decomposition，EMD)[6-7]与关联维数(Correlation Dimension，CD)相结合，计算发电机轴承不同故障模式下振动信号基本模态分量(Intrinsic Mode Function，IMF)的关联维数，并通过对比进行轴承故障诊断。

1 改进EMD算法

1.1 经验模态分解

经验模态分解算法假设任何信号都可以由一系列基本模态分量组成，各基本模态分量表征着信号的内在波动特性，同时在时域上也具有信号的局部化特征，很适合处理轴承的振动信号。对于信号x(t)，其分解过程参见文献[8]。

由于信号的非线性特性，在EMD过程中往往不能完全做到包络均值为零的要求，将导致信号两端发生大幅度的端点飞翼现象。如果这种现象在整个信号区间蔓延，信号分解后将得到虚假的IMF分量,从而对故障诊断造成不必要的干扰。……