， ， ，

(1.石家庄铁道大学 机械工程学院，河北 石家庄 050043； 2.石家庄铁道大学 土木工程学院，河北 石家庄 050043)

机械设备中轴承是容易发生故障的部件之一，当轴承发生微弱故障时，往往故障信号被噪声所淹没，由于信号的信噪比比较低，对信号的分析处理比较困难。因此，如何对微弱故障信号进行降噪，提高信号信噪比，是对信号准确提取出故障特征的重要一步。实际的运行工况下，早期故障[1-3]和强背景噪声都存在，而目前对于微弱故障的处理方法也有很多，如时域平均、自适应降噪、EMD降噪等都是对信号预处理的方法[4]。这些方法都有自身的优缺点和适应范围，不一定对任何信号都适用。

近年来，许多学者将经验模态分解用于信号的降噪处理。如苏文胜等[5]提出了基于互相关系数—峭度准则的EMD降噪方法并应用在了滚动轴承的故障诊断。李辉等[6]将EMD与Teager能量算子结合用于齿轮箱轴承故障检测，可以有效地识别故障。张淑清等[7]将EMD算法与Duffing振子相结合，用于小电流系统故障。EMD算法应用范围广，如S.J.Loutridis[8]将EMD应用于检测轴承系统的故障。杨宇等[9]用EMD算法结合神经网络诊断算法，先用EMD算法对原始信号预处理，再从IMF分量中提取各频带能量作为神经网络诊断方法的特征参数，验证其准确有效地识别滚动轴承故障类型。而陈仁祥等[10]提出了基于相关系数的EEMD降噪方法，主要利用相关系数对IMF分量进行选取。唐贵基等[11]将EEMD和1.5维能量谱相结合获得了轴承的故障特征频率，对轴承进行了有效的诊断。……