韩卫宇，程龙生

南京理工大学 经济管理学院，南京 210094

当前随着互联网、物联网、5G无线通信、移动终端、智能传感器技术的发展和成熟，催生了工业互联网的诞生。工业互联网的本质是将人、机器、数据有机地相连接[1]。机械设备的故障模式分类是工业互联网重要的应用场景之一。在机械设备的关键部件中，滚动轴承是最通用的，最重要的也是最容易发生故障的。在对机械设备的故障产生原因进行统计分析后，发现有将近30%的故障是由滚动轴承的退化而导致的[2]，因此对滚动轴承进行故障模式分类是有意义的，对于日常修理或者更换工作提供了决策依据，既降低了维护成本，又提高设备的可靠性，保证设备正常运行。

在基于振动信号特征提取的滚动轴承故障模式分类中，第一步也是最为关键的步骤就是提取振动信号中有效的故障特征，其将直接影响到整个模型的准确率和效率。采集轴承振动信号的传感器所处的现场环境嘈杂，导致信号中含有大量干扰噪声。并且处于故障状态的振动信号本身就具有非平稳、非线性的特性[3]。常用的信号处理方法包括短时傅里叶变换、小波变换和基于Hilbert-Huang变换（HHT变换）。HHT变换又包括经验模态分解（EMD）和希尔伯特变换。短时傅里叶变换和小波变换等方法无法自适应地根据数据本身特性做相应处理，具有一定的局限性。而EMD 是一种新型自适应信号时频处理方法，于1998 年由Huang 提出来的[4]。EMD 方法在理论上能够分解任何类型的信号，在处理非平稳及非线性数据上，具有非常明显的优势。……