程军圣, 王 健, 桂 林

(1.湖南大学 汽车车身先进设计制造国家重点实验室，长沙 410082; 2. 武汉重型机床集团有限公司，武汉 430205)

轴承故障诊断主要是提取轴承振动信号中的故障特征，由于轴承振动信号往往具有非线性、非平稳特征，传统的傅里叶变换等信号处理方法就无法得到满意的结果[1]。经验模态分解( Empirical Mode Decomposition，EMD)是Huang等[2-3]提出的一种自适应时频分析方法，能根据信号的局部特征时间尺度，将信号自适应的分解成多个内禀模态函数(Intrinsic Mode Function, IMF)之和，已成功应用于旋转机械故障诊断[4-5]，图像处理[6]等方面。然而EMD方法也存在一些缺陷，如信号极值点分布不均匀产生的模态混淆问题。针对这一问题，Wu 等[7]将噪声辅助分析加入EMD中提出了集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法，通过对原始信号添加白噪声改善信号极值点的分布情况，有效的抑制了模态混淆问题，在故障诊断中取得了良好的效果[8-9]，但残余噪声会对分解结果带来影响。Yeh 等[10]针对EEMD残余噪声问题提出了一种补充的集合经验模态分解( Complementary EEMD，CEEMD) 方法，通过向原信号中添加一对正负白噪声，然后分别进行EMD分解，减小了残余白噪声对信号的影响。这两种方法的分解效果跟白噪声的幅值、总体平均次数等参数的选择有很大关系。EEMD 算法中总体平均次数M取100，白噪声幅值ε取0.1～0.4 SD(SD表示原始信号的标准差)就能取得较好的分解结果，雷亚国等[11]指出高频成分与低频成分对加入白噪声幅值大小的敏感性不同，小幅值噪声有利于改善低频成分的极值点分布，对高频成分的影响很小；……