黄新奇， 张亚飞， 毛存礼， 黄刚劲， 郭月江， 杨红艳

0 引 言

滚动轴承作为旋转机械设备重要的部件之一，其运行状况直接影响整个机械设备的运行。提前诊断出轴承是否发生故障对避免发生生产事故具有重要的意义[1，2]。因此，能够有效地提取轴承早期微弱故障特征，准确判断轴承发生故障位置是故障诊断领域的难点与热点。

郝如江等人[3]利用形态滤波器对滚动轴承故障信号进行特征提取，取得了良好的效果。宋平岗等人[4]采用经验模态分解(empirical mode decomposition，EMD)滤除噪声和低频干扰，通过自适应形态学滤波方法进行分析，提取了故障特征频率。沈长青等人[5]将集合经验模态分解(ensemble EMD,EEMD)与改进形态滤波相结合，有效提取了轴承微弱故障特征，但EEMD存在模态混叠及形态滤波器存在输出偏移问题，导致边频带的提取效果不理想。崔宝珍等人[6]将轴承故障故障信号通过广义形态滤波进行降噪预处理，然后进行EMD，选取包含故障特征丰富的固有模态函数(intrinsic mode function,IMF)分量信号进行边际谱分析，但广义形态滤波具有加权系数选取的不确定性，导致输出仍存在偏倚现象。

本文提出了一种本征时间尺度分解(intrinsic time-scale decomposition,ITD)和自适应广义形态滤波结合的新方法提取轴承的故障特征。通过ITD将采集的轴承故障信号分解成若干固有旋转(proper rotation,PR)分量；利用峭度准则选取若干PR分量进行重构；通过自适应广义形态滤波对重构后信号进行降噪处理并对其进行Hilbert包络谱分析，以提取故障特征信息。实例验证表明：本文方法可有效提取滚动轴承故障特征信息，提高了滚动轴承故障诊断的精度，具有一定的工程实用性。……