文 献 综 述 一、研究目的及意义 机械是装备制造业的核心，轴承是机械中应用最广泛的关键零部件之一。

据统计旋转机械故障有30%是由轴承引起的[1]，轴承的工作状态直接影响到整台设备的运行状态，其缺陷会导致设备产生异常振动和噪声，影响到整个设备的运行，甚至会导致无法挽回的损失。

因此，轴承的状态监测和故障诊断具有一定的现实意义。

在技术高度发展的今天，国内外因设备故障而引起的灾难性事件仍时有发生，例如:1987年山西大同发电厂200MW机组转子断裂，1998年秦岭电厂5号机组主轴断裂，两次事故导致的经济损失均达亿元以上。

据国内石化行业统计：1976至1985年期间，化肥五大机组由于轴承故障停车造成的直接经济损失高达4.75亿元。

在国外，类似是事件从1970年以来仅正式报到的就有50多起。

如1971年美国300MW发电机组联轴器螺栓断裂、1972年日本关西电力公司南海电站3号600MW汽轮发电机因振动而引起的断轴毁机事件、1973年原西德600MW发电机组联轴器变形等；印度伯帕尔化工厂和前苏联契尔诺贝利核电站的事故对整个社会环境造成的巨大灾难和带来的生命财产损失更是尽人皆知[2]。

因此有必要研究、发展并应用先进的状态监测和故障诊断技术来保证这些关键设备的安全而高效地运行，避免巨额的经济损失和灾难性事件发生。

在旋转机械运行过程中，系统内非线性因素及其动态响应的非线性常导致非线性、非平稳状态的出现，以平稳信号为对象的传统信号处理方法难以处理频域特征随时间而变化的非平稳信号。

经验模态分解(Empirical Mode Decomposition，EMD)[3]是依据数据自身的时间尺度特征来进行信号分解，无需预先设定任何基函数，这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别，本文将EMD引入到对轴承的故障诊断方法应用研究。