随着工业生产技术的不断发展，企业对高质量、低成本产品和安全生产的需求不断增加，重要领域或者关键环节的机械设备维护策略逐步从传统的定期更换被动预防向视情维修主动干预转变。旋转机械的健康状态监测与状态评估作为视情维修的决策依据，是保证生产过程安全高效的一项重要工作。滚动轴承是旋转机械传动系统中应用最为广泛的通用零部件，在为设备静止部件和旋转部件之间搭建桥梁的同时，也是旋转设备故障发生的主要来源。在工程实际中，旋转设备通常具有结构复杂、运行工况多变，且长期在线服役的特点，例如冶金机械设备多数处于高速、重载、高温、强磁场的工作环境中，导致测取的包含滚动轴承振动的传感器信号往往具有非线性、非平稳以及与外部环境动态耦合等特点。这些包含原始系统丰富动力学信息以及机器的健康状况特征信息的复杂响应信号为滚动轴承健康状态判断和故障类型识别带来严峻挑战。

目前，在非平稳、非线性信号特征提取方面，已经提出了许多有效的信号分析方法用于滚动轴承故障诊断中。早期的信号处理手段大多数是基于先验基展开来匹配原始信号的特征信息，如傅里叶级数展开为傅里叶频谱分析方法的基础，小波基是小波分析的核心。基展开方法具有简单、唯一及对称等优点，但这些基于先验知识的显式基由于受到正交性的约束，结构上缺乏变化性，信号表达形式缺乏自由度的概念，不适用于分析复杂信号。

近十几年出现的如经验模式分解、局部均值分解、变模式分解等模式分解方法成为故障诊断领域的研究热点。模式分解方法通常是基于数据驱动的和后验的，既不需要构造任何先验基来匹配信号的特征结构，也不需要对信号在时域、频域和时频域的表示过程中施加约束，这种分析方法能够适应信号的瞬态特性，突出信号的局部特性[3]。基于数据驱动的模式分解算法能够适应复杂信号系统的各种形态，有效地分离出含有滚动轴承的旋转机械信号中谐波、冲击和调制成分，为机械故障诊断中的复杂信号分析提供了一种有效的诊断方法。

动力学模式分解（DynamicModeDe

转载请注明:http://www.aideyishus.com/lkyy/1910.html