常用的机械故障诊断方法主要包括：油液分析、扭振分析、噪声分析、声发射分析和振动分析等[13]。其中，振动分析法因诊断速度快、结论可靠、故障定位准确以及可实现在线监测等在机械故障诊断领域中得到了广泛的应用。基于振动分析的旋转机械故障诊断方法一般可分为三个步骤：（1）机械振动信号的采集；（2）振动信号的处理与故障特征提取；（3）故障模式的识别与诊断[14]。上述机械故障诊断的步骤中最关键的是振动信号的处理和故障特征提取。由于旋转机械的复杂性，当机械运行或发生故障时，其振动信号一般是非线性和非平稳的多分量信号，传统的基于傅里叶分析的方法只能处理线性和平稳信号，因此，对处理非线性和非平稳的机械振动信号，傅里叶分析方法不免有一定的局限[15，16]。为了从非平稳信号中提取故障特征，国内外很多专家学者进行了大量的研究，取得了很多有益的研究成果。近年来，时频分析的方法，如短时傅里叶变换[17，18]、Wigner-Ville分布[19，20]、小波变换[21，22]，以及基于信号自适应分解的时频分析方法，如希尔伯特-黄变换[23]、局部均值分解[24]等，由于能够同时提供振动信号的时域和频域局部信息，已经被广泛应用于旋转机械的状态监测与故障诊断，并取得了丰硕的研究成果[20，25-28]。
然而，上述时频分析方法都有各自不同的缺陷，如短时傅里叶变换的时频窗口是固定不可调的，Wigner-Ville分布得到的时频分布图存在交叉项的干扰，小波变换母小波的选择和分解层数等不具有自适应性，希尔伯特-黄变换作为一种新的自适应的时频分析方法，虽然实现了信号的自适应分解，但是分解过程中会产生拟合误差、模态混叠和端点效应等，局部均值分解有计算量大，平滑次数的选择等问题[3]。下面重点介绍小波变换、希尔伯特-黄变换和局部均值分解相关理论，以及它们在机械故障诊断领域的应用现状。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
