顾程，乔新勇，靳莹，韩立军

(1.陆军装甲兵学院车辆工程系,北京 100072；2.武警工程大学乌鲁木齐校区,新疆 乌鲁木齐 830049)

柴油机作为我军现役装甲车辆的主要动力来源，其状态直接影响装备的作战性能[1]。目前，振动信号由于容易获取、可实现不解体检测等优点，被广泛用于诊断柴油机的技术状态[2-4]。然而特殊的工作性质导致装甲车辆柴油机工作条件艰苦、工作环境恶劣，常常出现几个故障并发的复合故障，仅利用单一通道故障信号无法准确、全面地描述故障特征。随着传感器技术的发展，多传感器多通道同步采集的方式逐步发展起来，多元信号自适应分解方法应运而生[5-7]。多元信号能够反映机械设备更多的信息，一定程度上消除信息的不确定性，能够有效提高信息的可靠性。

针对多元信号的处理，T. Tanka等[8]提出复数经验模态分解(Complex Empirical Mode Decomposition，CEMD)，实质上是对复数据的实部和虚部分别利用经验模态分解(EMD)进行分解；G. Rilling等[9]根据复数据实部和虚部的相关性提出二元经验模态分解(Bivariate Empirical Mode Decomposition，BEMD)，使分解得到的各层分量都具有实际的物理意义；2010年，Rehman等[10]提出三元经验模态分解(Trivariate Empirical Mode Decomposition，TEMD)，将EMD应用扩展到三维信号。随后，Rehman等将多元信号投影到多维空间超球面方向向量，提出多元经验模态分解(Multivariate Empirical Mode Decomposition，MEMD)，实现了多元数据联合分析、同步处理[11]。MEMD的提出解决了多通道本征模函数(IMF)在数量不匹配、在尺度上排列紊乱的问题，但与EMD相同，也存在端点效应、模态混叠等问题。Mandic等[12]提出噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition，NAMEMD)，通过添加高斯白噪声作为辅助信道，一定程度上减轻了模态混叠问题。……