金江涛，许子非，李 春,2，缪维跑，李 根

(1.上海理工大学 能源与动力工程学院，上海 200093；2.上海市动力工程多项流动与传热重点实验室，上海 200093)

1 引 言

滚动轴承作为机械设备中重要传动部件之一，其运行状态直接影响整机设备的健康状况。为减少轴承发生故障所造成经济损失，对滚动轴承进行早期故障诊断尤为重要[1]。目前，信号采集、特征提取及状态分类构成故障诊断框架，特征提取有效性与状态分类准确性直接影响故障诊断结果。

振动信号因具备易采集，包含振动信息丰富及易处理等特点被广泛用于轴承振动分析。但轴承早期故障微弱且易被噪声淹没，故障特征提取较为困难，从而影响故障诊断准确性[2]。此外，由于机械系统振动耦合与复杂环境影响，振动信号具有非线性和非平稳的特点，仅从时域、频域或时频域角度难以分析、判别故障类型[3]。目前主要有小波变换(wavelet transform，WT)、经验模态分解(empirical mode decomposition，EMD)、集合经验模态分解(ensemble empirical mode decomposition，EEMD)以及变分模态分解(variational mode decomposition，VMD)等方法对振动信号进行预处理[4～7]。WT方法因未明确小波基的选择和分解层数，缺乏自适应性。EMD的基函数以信号数据自适应分解所得，具备较好的分解效果，其能使非平稳数据平稳化，将分解所获本征模函数(intrinsic mode function，IMF)进行Hilbert变换得到具有物理意义的频谱，但其存在模态混叠和端点效应两大弊端[8]。为此，提出了基于EMD的改进方法EEMD：通过引入高斯白噪声减弱模态混叠现象，对信号具有优良的自适应性和时频分辨率，但剩余噪声会引起信号重构误差，从而影响特征提取有效性。……