郑锦妮，边 杰，2，3

(1.中国航空发动机集团 湖南动力机械研究所，湖南 株洲 412002；2.中国航空发动机集团 航空发动机振动 技术重点实验室，湖南 株洲 412002；3.直升机传动技术国防科技重点实验室，湖南 株洲 412002)

滚动轴承被广泛应用于各种旋转机械设备中，其运行状态的好坏关系到机械设备能否安全可靠工作。滚动轴承作为运动部件，容易发生故障。对滚动轴承进行状态监测与故障诊断，对于了解机械设备的运行状况和解决由轴承引起的各种机械设备的振动故障问题有着重要意义[1]。

滚动轴承发生故障时，会产生明显的调幅调频现象，这种调幅调频故障信号具有非线性、非平稳特征。因此，对滚动轴承故障信号进行准确解调是故障特征提取与诊断的前提[2]。对于具有非线性和非平稳特征的故障信号，传统的傅里叶变换不再适应，需使用自适应的信号分解方法对其进行解调。经验模态分解(empirical mode decomposition，EMD)是最常用的自适应的信号分解方法，被广泛用于机械故障诊断中，并取得了较好的诊断效果[3]。但是EMD方法在进行信号分解时存在模态混叠现象[4]。集合经验模态分解(ensemble EMD，EEMD)能在一定程度上改善模态混叠现象，但是其分解结果容易受到残余噪声的影响[5]。互补集合经验模态分解(complementary EEMD，CEEMD)对EEMD方法进行了改进，减小了EEMD方法残余噪声的影响[6]。但会导致运算翻倍，计算量大增[7]。针对EEMD方法和CEEMD方法的上述问题，自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)[8-10]被提出，该方法重构误差小，保证了其分解过程的完整性，同时克服了EEMD方法和CEEMD方法分解效率低下的问题。……