吕靖香， 余建波

(同济大学 机械与能源工程学院，上海 201804)

滚动轴承是各种旋转机械中使用最广泛的部件，它的运行状态往往直接影响整个机器的性能[1]。早期轴承故障信号一般都很微弱，通常被淹没在很强的背景噪声和其他部件的干扰信息中，成分比较复杂，频谱范围大，所以如何抑制噪声提取出故障特征，成为故障检测的关键。

机械振动信号常用的处理方法包括时域分析法、频域分析法和时频域分析法，其中时频分析法由于能同时从时域和频域揭示信号成分而得到广泛应用，如小波变换(Wavelet Transform, WT)、经验模态分解(Empirical Mode Decomposition, EMD)等[2]。相对于一般时频分析方法，局部均值分解(Local Mean Decomposition，LMD)算法不用考虑信号的平稳性，可实现多分辨率分析，有效改善了EMD算法的端点效应，过包络、欠包络等问题，因此在故障诊断领域取得了应用(详细的LMD算法过程本文不再赘述，可参考文献[3])。但目前LMD在早期故障分析的成果较少，而在降噪方面：一方面主要是将LMD与传统小波变换[4]、小波包[5]、二代小波[6]相结合，对振动信号实施小波降噪后再进行LMD分解，小波分解虽然对原始信号实现了进一步细分，但在抑制噪声的同时，有用信号往往也不可避免地受到损害，这对后续LMD分解结果会产生严重影响；另一方面与奇异值分解(Singular Value Decomposition, SVD)相结合，对振动信号奇异值分解降噪，再对降噪信号进行LMD分解，最后对PF分量进行包络谱分析提取故障特征频率[7]或者利用LMD分解所得的某一个PF分量构造Hankel矩阵经SVD降噪后提取特征频率[8]。……