高康平，徐信芯,2，焦生杰，师 宁

(1.长安大学 工程机械系公路养护装备国家工程实验室, 西安710064；2.河南省高远公路养护技术有限公司, 河南 新乡453000)

轴承、齿轮、钻头等旋转机械作为设备的核心部件，其可靠性直接影响设备的运行效率与使用寿命，因此，及时监测与诊断旋转机械的运行状态具有重要意义[1-2]。但是，其故障特征常被周围的设备以及环境噪声所干扰，使得故障信号不便于被监测，特别是早期的故障。虽然旋转机械运行过程中振动信号富含大量的故障信息，但是所采集的振动信号具有非线性、非平稳的特点，采用传统的时频域方法不能准确提取故障特征频率。为了解决这个问题，变分模态分解[3]、经验模态分解（Empirical Mode Decomposition，EMD）[4]、经验小波分解[5]、小波变换[6]等方法受到广泛的关注。其中，沈路等[7]在进行齿轮的故障特征提取时，利用形态小波降噪，进行了故障信号的监测与诊断；陈长征等[8]在进行故障轴承的特征提取时，以相关系数和峭度作为评价指标，对经小波包降噪后的故障信号进行局部均值分解，突显了沉浸在噪声中的特征频率。但是，这些方法都有各自的缺点，小波变换需要提前确定小波基函数；EMD 和变分模态分解法在处理信号中容易造成模态混叠效应和端点效应。为了克服这种现象，狄豪等[9]应用聚合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）提取了滚动轴承的故障特征，并结合概率神经网络进行轴承不同部位的故障识别。李国华等[10]利用EEMD 对电机轴承振动信号进行分解，计算各阶固有模态函数（Intrinsic Mode Function，IMF）的能量，将其作为特征向量输入到SOM中进行故障的识别。……