王 涛，胡定玉，丁亚琦，廖爱华，师 蔚

（1.上海工程技术大学 城市轨道交通学院，上海201620；2.上海地铁维护保障有限公司 车辆分公司，上海200235）

滚动轴承作为减少摩擦损失的精密元件，被广泛用于旋转机械中，但高速重载的环境导致轴承极易发生故障，影响列车的安全出行，因此对轴承的运行状况检测十分必要。当滚动轴承出现故障时，内外滚道与滚动部件之间发生碰撞，会产生一个强迫短脉冲信号，通过对这些信号进行分析可以有效检测故障从而减少事故的发生。与传统的振动分析相比，采用声信号监测轴承的健康状况更加方便快捷，无需粘贴传感器，与检测对象相互独立，该方法对轴承早期故障的检测也有较好的效果。

传统的时域与频域分析方法难以有效分析轴承故障信号的时变特性，无法准确体现其故障特征。针对该类信号，通常采用小波分解[1]和经验模式分解[2]等时频分析方法。时频分析将时频两域结合起来，可以同时考虑到两个域的性能；在时频相平面上可以精确地定位出某一时刻出现了哪些频率分量。小波分解在分析信号之前设置一些参数（小波基函数），将信号分解成不同频率范围的子信号[3-4]，不同的小波基会产生不同的分解结果，最佳小波基的选择成为了较大的难题。经验模态分解（EMD）[5]可以自适应地将信号分解为固有模态函数和残差，可以对不同的分量进行独立分析[6]。

目前EMD 已在滚动轴承故障诊断领域广泛应用，杨世锡等[7]将经验模式分解和Hilbert 变换引入旋转机械的故障诊断中，并与小波时频分析相比较，研究结果表明基于EMD 的Hilbert 变换具有更好的效果，但出现了一些虚假分量；……