钟 勇， 李三雁， 荣本阳， 张 彬,3， 唐诗佳

(1. 四川大学锦城学院，四川 成都 611731; 2. 重庆邮电大学先进制造工程学院，重庆 400065;3. 重庆大学 机械传动国家重点实验室，重庆 400044)

0 引 言

作为旋转机械中关键零部件之一，滚动轴承在冶金设备、发电机组、高速列车等行业安全、平稳运行中发挥着至关重要的作用。据相关文献统计，旋转机械中异步电机故障有45%～ 55%是由滚动轴承原因所导致的[1]。因此，滚动轴承状态监测与故障诊断一直是机械可靠性与设备维护研究的热点和难点。

滚动轴承在使用寿命周期内，其运行一般经历正常到退化、直至功能失效的过程。从而准确评估运行中滚动轴承的退化状态是保障旋转机械正常运行与实现智能化控制的前提和基础[2]。由于滚动轴承自身功能结构、运行工况波动等原因，其振动监测信号往往表现出非平稳、非线性、非高斯等复杂特点，基于平稳、线性假设的传统退化评估方法难以取得理想的效果。因此，基于非线性、非平稳时频分析的方法获得越来越多的关注[3]。黄海凤等[4]通过盲源分离方法分离轴承振动信号的干扰，并以峭度值作为轴承退化评估的敏感特征。经验模态分解 (empirical mode decomposition，EMD)作为一类数据驱动的非线性、非平稳信号自适应分解方法，在滚动轴承的复杂振动信号分析中得到了大量的研究。周建民等[5]提取振动信号EMD的本征模态函数 (intrinsic mode function，IMF)能量为特征，训练逻辑回归模型评估轴承全寿命周期的退化。文献[6]通过集合经验模态分解(ensemble EMD，EEMD)分解滚动轴承原始信号得到IMF分量，提取能全面表征其退化的指标。……