赵志川，陈志刚，2，何 群，张 楠，2，夏建强

（1.北京建筑大学 机电与车辆工程学院，北京 100044；2.北京市建筑安全监测工程技术研究中心，北京 100044；3.安徽省春古3D打印智能装备产业技术研究院有限公司，安徽 芜湖 241000）

作为机械设备中最重要的部件之一，滚动轴承在功率传动过程中发挥着重要的作用，其运行状态会显著影响机械设备的工作性能。优质的运行状态不仅能保证工业生产的经济效益，更意味着隐患风险的降低，是设备安全运行的重要保障。因此，准确提取滚动轴承的故障信号并进行研究分析，对诊断轴承不同类型的故障有重要作用。

轴承发生故障时，其振动信号中往往隐含着丰富的故障信息。然而，采集到的故障信号本身往往不是线性平稳的。由于时频域分析方法能同时提供非平稳振动信号在时域和频域的局部化信息，因而在轴承故障诊断中得到广泛应用［1］。目前传统的时频域分析方法主要包括短时傅里叶变换、S变换、小波变换［2］等。傅里叶变换等方法在处理非平稳性信号时能够有效地提取信号频域内的特征信息。但是，它们的能量聚集性特别差，时频谱发散严重，且不具有自适应性。经验模态分解是一种自适应的信号处理方法，但其在信号处理与应用方面也存在端点效应以及模态混叠等一系列问题［3］。Daubechies等［4］提出了同步挤压变换（SST），提高了能量的聚集性，并成功地应用于信号识别［5］、轴承等机械零件的故障诊断［6］等领域。但是SST对噪声敏感，并且不适合处理强调频信号。……