黄慧杰　孙百祎　任学平　刘淮全

摘要：针对滚动轴承早期故障难以识别的问题，提出一种自适应白噪声的完备总体经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）和1.5维谱相结合的滚动轴承故障诊断方法。该方法首先运用CEEMDAN对振动信号进行分解，得到一系列IMF分量，然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的IMF分量，最后对提取的IMF分量进行1.5维谱分析，通过分析谱图中突出成分以确定轴承故障类型。利用仿真信号和工程实验数据对该方法进行分析验证，所得出结果的谱图均比用单一方法得出的谱图清，充分证明该方法在滚动轴承早期故障诊断中的优势。

关键词：滚动轴承;早期故障;自适应白噪声的完备总体经验模态分解;1.5维谱

中图分类号：TH133.33

文献标志码：A

文章编号：1674–5124（2019）02–0151–06

0 引言

轴承在机械设备运行中发挥无可替代的作用，发生损伤后，会影响机械设备中其他元件的正常工作，损伤的扩大会导致一系列故障，造成严重经济损失，所以能够对轴承早期故障进行及时地检测和诊断具有重要意义。但轴承出现早期故障时，其故障特征十分微弱，周围环境的干扰会使振动信号复杂化，导致故障特征难以提取[1-3]。

经验模态分解[4]（EMD）作为处理复杂信号的工具，得到广泛应用，但是EMD存在模态混叠现象。为了解决这一问题，EEMD[5-6]被提出来，通过向信号中增加高斯白噪声，显著减少模态混叠，但是该方法运算量大，对添加高斯白噪声的标准差以及次数依赖比较大。Torres等[7]提出了一种自适应白噪声的完备总体经验模态分解（CEEMDAN），它能够自适应地选择加噪参数，不仅改善了分解的效果，而且提高了分解的速率。……