极点加权模态分解及其在故障诊断中的应用

童靳于，郑近德，潘海洋，包家汉，刘庆运

（1.液压振动与控制教育部工程研究中心，安徽 马鞍山243032；2.安徽工业大学 机械工程学院，安徽 马鞍山243032）

机械振动信号包含了丰富的敏感故障特征信息，因此，机械故障诊断的关键是从振动信号中提取与故障有关的特征信息。由于负载、摩擦和转速波动等因素的影响，振动信号往往呈现非线性和非平稳特性[1]。以经验模态分解（Empirical mode decomposition，EMD）为代表[2-3]及在其基础上发展的局部均值分解(Local mean decomposition，LMD)[4]和局部特征尺度分解(Local characteristic-scale decomposition，LCD)等自适应信号处理方法[5]，能够同时提供这类信号的时域和频域局部信息，且分解不依赖于参数和基函数，因此，在机械故障诊断领域得到了广泛应用。如文献[3]中研究了EMD 在机械故障诊断中的应用，并针对EMD 存在的理论问题，提出了一系列改进方法；文献[6]中研究了LMD 在齿轮故障检测和行星齿轮箱故障诊断中的应用；文献[7]中研究了LCD 在转子碰摩及滚动轴承故障诊断中的应用等，都取得了一系列可喜的成果。

EMD 能够自适应地将一个复杂信号分解为若干个内禀模态函数(Intrinsic mode function，IMF)之和，再对得到的每一个IMF分量做希尔伯特变换(Hilbert Transform，HT)，得到其瞬时幅值、瞬时相位和瞬时频率信息，进而可得到原始信号的完整时频分布，其均值曲线定义为信号上、下两包络线的均值，而上、下包络线是通过对数据的极值点进行三次样条插值得到的[2]。EMD在使用过程中会产生过包络、欠包络、频率混淆、端点效应、端点能量泄漏和无法解释的负频率等问题。LMD是为了克服EMD的缺陷而被提出的另一种自适应时频分解方法。……