王志坚， 王俊元， 张纪平， 赵志芳， 寇彦飞

(中北大学机械工程学院 太原，030051)

引 言

当齿轮和轴承的内外圈或滚动体发生故障时，工作过程中的振动信号会出现周期性的脉冲信号[1-3]。由于旋转机械的复合故障特征提取仍然是个巨大挑战[4-5], 为了克服经验模态分解(empirical mode decomposition，简称EMD)的模态混叠现象, 文献[6]提出了EEMD的自适应分解方法, 通过对原信号加不同的白噪声并反复求本征模态函数(intrinsic mode functions，简称IMFs)的均值来提高分解精度。文献[7-10]证明了对旋转机械进行故障特征提取时，EEMD更加有效和精准，能自适应将一个复杂信号分解成若干个IMFs，但如果信号的频带太宽或信噪比较低时将影响EEMD的分解效率[10]。其原因是分解精度在极大程度上受所加白噪声等级的影响：当选取的白噪声等级过大时会导致过分解现象，依然存在模态混叠；当选择的白噪声等级太小时，不足以改变极值点的分布[9]。如何自适应地选取白噪声等级问题仍没有被解决[3,8,11]，文献[12]通过组合模态函数方法优化了EEMD中白噪声的选择方法并提高了其分解效率，但是通过对仿真信号和实测信号的分析仍无法完全避免模态混叠现象。

文献[13]提出了MOMEDA旋转机械故障提取方法，用一个时间目标向量定义解反褶积，得到脉冲序列的位置和权重。这些目标适用于旋转机械每转一周产生一个冲击脉冲的振动源的特征提取，但在多故障共存或在强背景噪声下，由于故障周期不止一个或背景噪声的影响，导致此方法难以准确提取故障周期成分，为此需要对振动信号进行预处理。……