马转霞，费维科，周新涛，刘 涛

（西安汽车科技职业学院 机械工程系，西安 710038)

转子是旋转机械的核心部件，其性能的好坏直接决定了系统工作的可靠性。因此，必须定期监测转子的运行状况，一旦发生故障，系统应快速作出响应。目前最常用的状态监测手段是通过振动信号分析来实现的。但由于工作环境恶劣、测试条件有限等原因，所测得的振动信号往往夹杂了很多噪音干扰，大大降低了信号分析的准确性。因此，故障诊断的第一步是减小或去除信号中的噪声干扰[1]。经验模式分解（EMD）是一种适用于非线性、非平稳信号的处理方法，可将信号自适应地分为有限个本征模态分量（IMF），从中筛选出有用分量进行信号重构，从而达到降噪的效果。但是，EMD算法在分解过程中容易出现频率混叠现象，严重影响降噪效果。集合经验模式分解（EEMD）是EMD的改进算法，其原理是利用高斯白噪声频率的均匀性来消除分量之间频率的重叠和间断现象，使信号自适应地分解到不同尺度上，并保持连续，从而避免了模态混叠[2]。

转子发生故障时，会产生明显的脉冲振动，从时域波形看，信号幅值明显增大。但是由于噪声也可引起振幅增大，因此单从时域波形并不能观察出故障类型。然而，不同故障发生的频率一般差别较大，因此在故障诊断初期，可以通过频谱分析对故障产生的原因进行预判。其中，最常用的方法就是对信号进行傅立叶变换（FFT），从而得到不同故障发生的特征频率。……