戚晓利， 叶绪丹， 蔡江林, 郑近德， 潘紫微， 张兴权

(安徽工业大学 机械工程学院， 安徽 马鞍山 243032)

由于机械设备振动信号大部分是非平稳、非线性信号，因此机械设备故障诊断的关键是如何从非平稳、非线性信号中提取故障特征信息[1]。近年来，许多非线性动力学理论如经验模态分解(Empirical Mode Decomposition, EMD)和局部均值分解(Local Mean Decomposition, LMD)方法已被广泛应用于机械设备故障诊断中，并在研究领域取得了丰硕的成果。如Zhu等[2]根据计算EMD分解所得到的故障高频分量与正常状态信号的频域相关系数，通过观察绘制的相关系数曲线的走势，来检测轴承的早期故障。张淑清等[3]将EMD和Duffing振子相结合应用于小电流系统故障中，对故障零序电流进行EMD分解处理后，输入到Duffing振子中，通过观察系统相图变化来确定当前线路是否发生故障。虽然EMD方法受到机械故障诊断领域相关学者的关注，并成功应用于滚动轴承故障特征提取中，但其分解存在端点效应、易出现模态混叠以及分解误差大等问题。

针对这些问题，有些学者做了进一步的研究，如陈亚农[4]等应用LMD方法对滚动轴承损伤类故障振动信号进行分解，并对冲击特征明显的PF分量的瞬时幅值进行频谱分析，结果表明该方法不但能够有效判断故障有无，而且能够更大程度上避免误判。Wang[5-6]等对LMD方法和EMD方法进行了比较，研究结果表明，在端点效应、迭代次数、获取信号的瞬时频率准确性等方面，LMD方法均要优于EMD方法。需要指出的是，虽然LMD和EMD这两种方法目前已经成功应用于故障特征提取中，但两者均属于递归模式分解，还是存在端点效应、分解误差大以及对相近频率的信号无法正确分离等问题[7]。……