张 龙 蔡秉桓 熊国良 王朝兵,2 胡俊锋

1.华东交通大学机电与车辆工程学院，南昌，3300132.中车戚墅堰机车有限公司，常州，2130113.中国铁路南昌局集团有限公司科学技术研究所，南昌，330002

0 引言

滚动轴承广泛应用于机械、交通、航空航天等领域，是旋转机械的重要零部件之一[1]，但其恶劣的工作环境易导致故障发生，若未及时发现则可能引起严重后果，因此，准确判断滚动轴承健康状态对提高机械设备的可靠性、可用性和保障设备安全运行至关重要[2-3]。

能够表征轴承局部故障的周期性瞬态脉冲在信号采集过程中会被传递路径、强背景噪声以及高幅值偶然性冲击所干扰，导致周期性瞬态冲击特征提取困难[4]，因此，有效的特征提取方法对轴承故障检测至关重要。经验模态分解(empirical mode decomposition, EMD)作为一种频带分解方法可以有效地将信号分解为若干近似信号和细节信号。苏文胜等[5]利用EMD对原始信号进行预处理降噪后，采用谱峭度方法进行共振滤波，然而谱峭度方法所采用的峭度指标不能考虑故障特征的周期特性，同时EMD也存在分解过程缺乏理论基础、端点效应和模态混叠等问题。SELESNICK[6]提出了一种信号共振稀疏分解(resonanced-based signal sparse decomposition,RSSD)方法，该方法不同于基于频带或尺度分解的线性方法，通过信号共振属性不同(即品质因子大小差异)将故障信号分解成由持续振荡成分组成的高品质因子共振分量和由瞬态冲击成分组成的低品质因子共振分量。该方法因其在脉冲提取方面的独特优势，迅速被用于旋转机械故障诊断领域。……