邓 婕，李舜酩，丁 瑞，王艳丰，滕光蓉

(1.南京航空航天大学 能源与动力学院， 南京 210016；2.中国航发四川燃气涡轮研究院， 四川 绵阳 621010)

当今机械系统朝着复杂化和高可靠性的趋势发展，对于机械设备的维护问题更加倾向基于设备工作状态的维护方式，即通过状态监测、故障诊断和寿命预测等方法在机械设备发生故障或即将发生故障时进行维护[1]。研究表明，机械设备中大部分故障的产生都与旋转部件密切相关[2]，因此，对旋转机械部件进行故障诊断是机械系统维护水平提高的关键。数据驱动的故障检测与诊断以其数据驱动和多变量的特点在工业实践中得到了广泛的应用[3]，这种方法通过故障信号数据训练诊断模型，提取故障特征，再通过学习的结果进行故障信号分类。作为诊断模型的输入，振动信号的质量优劣直接影响故障诊断的精度和效率，所以在信号输入诊断模型前，提高数据质量，对于其进行优化处理就显得尤为重要。

章国稳等[4]指出，当采集的振动信号噪声污染严重时，会产生大量的噪声模态，这些模态并不具备系统本身的物理特性，可以理解为虚假模态。当然，虚假模态的产生也不仅仅出现在试验的环境噪声中，常军等[5]解释了进行模态参数识别时，计算过程会产生大量的虚假模态。目前关于虚假模态剔除的研究大多集中在频域中虚假极点的自动剔除技术[6]上，这些技术或基于改进稳定图[7]，或基于聚类算法[8]等，先进行模态参数识别，再通过上述智能算法对物理模态极点进行甄别，从而提取物理极点，剔除虚假模态极点。……