陈成法， 李树珉， 张建生， 张英锋， 孙长库

(1. 天津大学 精密测试技术及仪器国家重点实验室，天津 300072；2. 军事交通学院，天津 300161)

在发动机运行状态研究中，振动信号中常包含丰富信息，故在发动机研究中获得广泛应用[1-2]。在复杂振动信号中提取有用特征信息成为研究重点。(经验模态分解方法(Empirical Mode Decomposition，EMD)可将复杂信号函数分解为本征模函数(Intrinsic Mode Function, IMF)之和，可反映信号中所含真实物理信息。

再制造发动机对节能环保、资源循环利用等具有巨大优势。但由于发动机结构复杂、运动部件众多及工艺复杂，再制造零部件质量稳定性较差，再制造发动机性能较难得以保证。因此，本文将再制造发动机振动信号与EEMD分解方法结合，利用敏感IMF选择算法，研究再制造发动机振动模式，对提高部件再制造水平具有重要意义。

1 EMD及EEMD

EMD为解决非线性、非平稳振动信号的有效方法。即先通过数据特征时间尺度获得本征波动模式，再分解数据，找到本征模函数(Intrinsic Mode Function, IMF)[3]，并将IMF进行Hilbert变换，能有效提取振动信号内在信息。故EMD分解方法及Hilbert变换在振动信号特征提取中应用广泛[4-5]。但EMD亦存有不足，主要为：① 模式混淆，即单一IMF中含有截然不同信号成分或同一频率成分被分解到不同的IMF中[6-7]；发生模式混淆时，EMD不能从振动信号中提取具物理意义真实、表征振动特征的IMF；② 在故障诊断中，通常只有部分IMF对故障敏感能反映故障特征，其它IMF为干扰成分或噪声。因此，对所有IMF进行Hilbert变换所得Hilbert-Huang谱的信息特征不明显、诊断精度低。对此，Wu等[7]将噪声引入EMD分解中，提出的总体平均经验模式分解(Ensemble Empirical Mode Decomposition，EEMD)方法可解决EMD模式混淆问题。……