周建民， 王发令， 张臣臣， 张 龙， 尹文豪， 李 鹏

(华东交通大学 载运工具与装备教育部重点实验室，南昌 330013)

轴承是机械结构中的关键部件，状态监测和故障诊断是保证机械设备正常运行的关键。轴承故障诊断过程主要包括故障特征提取和故障分类[1]。当轴承发生故障时，振动信号的频带能量会发生变化。如果能够提取出轴承的频带信号特征，就可以进行轴承故障分类。因此，有效地提取故障特征是故障诊断的关键。

滚动轴承故障研究主要以振动信号的研究为主，振动信息具有非线性和非平稳特点[2]，尤其是运行中萌生的早期故障，特征信息微弱，同时受到机械设备产生的强噪声干扰，给故障诊断带来困难[3]。

Gai等[4]利用经验模态分解(empirical mode decomposition，EMD)对已知状态下的轴承振动进行分解，再通过奇异值分解(singular value decomposition，SVD)获得固有模态函数(intrinsic mode function，IMF)分量的奇异值作为特征向量，提出了基于EMD-SVD和模糊神经网络的轴承退化评估方法，有效地分析轴承的性能退化情况。Malik等[5]结合EMD和人工神经网络(artificial neural network，ANN)建立轴承故障诊断模型，比较EMD特征输入到不同ANN分类器的效果，最后得出了不同ANN模型在轴承故障诊断中的性能特点。但EMD分解过程中存在过包络、欠包络、模态混淆、端点效应等问题[6]。

为了解决EMD的问题，Wu等[7]引入噪声辅助分析，提出集成经验模态分解(ensemble empirical mode decomposition，EEMD)，有效地抑制了模态混叠等问题。EEMD作为一种新型自适应、近似正交的分解方法，同时适用于非线性、非平稳信号的分析。Chen等[8]利用EEMD将信号分解为固有模态……