林青云，魏连友，叶杰凯，易灿灿

（1.丽水市特种设备检测院，浙江 丽水 323000；2.武汉科技大学，湖北 武汉 430081）

1 引言

随着工业生产的不断发展，重要领域或者关键环节的机械设备大部分具有结构复杂、运行工况多变，且长期在线服役的特点，例如冶金设备多数处于高速、重载、高温、强磁场的工作环境中，这些故障信号往往具有非线性、非平稳、等特征[1]，但是目前的诊断方法十分有限，尤其是对于早期微弱故障和强背景噪声下的故障特征提取与识别方法还存在明显的不足，因此针对早期微弱故障信号的处理方法在一定程度上制约了机械设备故障诊断技术的发展[2]。

大量的工程实践表明不同类型或者不同严重程度的故障往往会表现出不同的波形特征和变换域特点[3]。针对早期弱故障信号的特征提取方法研究，国内外相关研究人员做了大量的研究工作。基于时频域的弱故障特征提取算法包括：经验模式分解（Empirical Mode Decomposition，EMD）、局部均值分解（Local Mean Decomposition，LMD）、共振稀疏分解（Tunable Q-Factor Wavelet Transform，TQWT）、变模式分解（Variational Mode Decomposition，VMD）等。文献[4]等于1998 年提出了经验模式分解（EMD），其通过包络分析，将信号自适应地分解为一系列的本征模式函数（IMFs），分别表示信号中的高频成分和低频成分，其能提取出非线性非平稳信号中的局部振荡和时频分布，具有正交性和完备性等特点，在但还存在如过包络、欠包络、模态混淆和端点效应[5]等问题。针对这些问题，文献[6]于2005 年提出了局部均值分解（LMD）算法，其更加注重信号的细节信息，可以自适应将复杂的多组分信号分解为一系列的具有明显物理含义的表示为幅值调制信号和单一调频信号乘积形式的奇函数。……