王银玲 尹显明 李华聪

(1. 西南科技大学工程技术中心 四川绵阳 621010； 2. 西北工业大学动力与能源学院 西安 710072)

滚动轴承广泛应用在旋转机械中，受负荷、摩擦、冲击等非线性因素影响会出现损伤。通常由于滚动轴承工作环境复杂，传感器采集到的信号含有大量的背景噪声，造成损伤信号的非线性、非平稳、冲击性特征被淹没。因此，如何通过对损伤过程中产生的非线性、非平稳随机信号进行分析，准确检测出设备的故障信号是滚动轴承故障检测研究的热点及难点[1-3]。

在轴承故障诊断中，损伤信号通常被看作是周期性冲击信号，其与系统响应的卷积即为传感器测量的输出信号。若不考虑噪声的影响，可以寻找一个逆滤波器，通过传感器输出的观测信号，利用解卷积恢复出原始的故障信号。Wiggin[4]结合熵值最小卷积滤波思想，提出最小熵解卷积方法(Minimum Entropy Deconvolution，MED)，在解卷积过程中使得峭度最大化，该方法又称为最大峭度解卷积。但MED只能处理单一冲击信号，并不适合旋转机械的周期性冲击信号的处理。

故障信号通过EMD分解[5]过程中存在端点效应以及模态混叠现象。为了解决这些问题，学者们提出了不同的解决方案。陈哲等[6]提出一种集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)[7]与多尺度排列熵(Multiscale Permutation Entropy，MPE)的舰船辐射噪声复杂度特征提取方法，解决复杂海洋环境中舰船辐射噪声的特征提取问题。耿读艳等[8]为了有效识别心冲击(Ballistocardiogram)信号，利用噪声自适应完备总体平均经验模态分解(Complete EEMD with Adaptive Noise，CEEMDAN)的自适应降噪优势，提出一种基于自适应噪声的CEEMDAN联合排列熵(PE)的BCG降噪方法，降噪后信号的幅频特性得到明显改善且信噪比较传统方法有明显提高。……