徐元博， 蔡宗琰， 胡永彪， 丁 凯

(长安大学道路施工技术与装备教育部重点实验室， 陕西 西安 710064)

引 言

对于大部分机械零部件来说，无论是轴承、传动轴或者其他零部件，当它们出现故障时，都会出现异常振动。机械设备正常工作时表现出的振动量在时域和频域都具有一定的数据特征并且具有一定的规律性，因此一旦检测出实际振动数据的特征量不符合正常工作情况下的规律性时，即可判定设备的运行有异常情况或故障隐患[1]，因此利用振动信号诊断法来判断故障特征已经得到了广泛应用。机械故障产生的振动信号一般具有很强的非线性与非平稳性特征，同时伴随着噪声。经验模态分解(Empirical Mode Decomposition，EMD)作为一种非线性和非平稳信号的处理方法[2]，得到了很多学者的关注，并在机械故障诊断领域[3-5]，得到了较好的应用，但由于该算法的筛分特性，使其很大程度上要依赖于极值点的找寻和停止法则，同时对背景噪声有着较强的敏感性，所以易出现模态混叠现象，使该算法鲁棒性较差。为了克服这一缺点，N E Huang等在其基础上提出了集成经验模态分解[6](Ensemble Empirical Mode Decomposition，EEMD)，该算法是在整个时频空间中加入均匀分布的白噪声。利用这一特点，EEMD在克服模态混叠现象上取得良好效果，同样在机械故障领域得到了广泛应用[7-8]。EEMD作为噪声辅助型算法，在分解后的信号中必然会留下残余白噪声，理论上经过无限次集成平均后，可以完全消除残余白噪声，但在实际应用中这是不可能实现的，并且在加入白噪声数量大的情况下，平均集成次数也随之增加，这就造成数据处理要花费大量时间。……