题目：《一种融合EMD和EWT的滚动轴承故障信号分析方法及其应用》 滚动轴承是航空发动机关键支撑部件，工作在高速、高温环境，同时还要承受强烈的时变冲击载荷，因此极易产生故障，其运行状态直接影响发动机可靠性及使用寿命，因此，对其故障进行诊断尤为重要。然而，由于滚动轴承深埋在航空发动机内部，其故障振动信号呈现出明显的非平稳性、多分量混叠以及强背景噪声的特征，传统的信号处理方法面临极大的挑战。因此，如何对滚动轴承早期故障进行精确诊断以及特征提取，成为当前故障诊断重要研究的方向，为了提高滚动轴承的故障诊断精度，本文结合经验模态分解（Empirical Mode Decomposition, EMD）以及经验小波变换（Empirical Wavelet Transform, EWT）两种方法的优势，提出了一种融合 EMD 与 EWT 的新算法，并通过大量试验验证，证明了新方法的优势和有效性。主要研究工作如下：
（1）介绍 EMD 算法和 EWT 算法的理论基础，提出了融合 EMD 算法和 EWT 算法的新方法，利用仿真数据比较分析发现，融合两种算法之后可根据信号的局部时变特性进行自适应分解从而避免 EMD 算法的端点效应以及模态混叠的缺点，而无需使用镜像延拓等方法。
（2）利用国际通用的西储大学滚动轴承故障数据集以及南京航空航天大学带机匣的转子－滚动轴承试验器的滚动轴承故障模拟试验数据，详细对比了 EMD 算法、EWT 以及EMD-EWT 融合算法的分解效果。结果表明，EMD-EWT 融合算法相较于单一的 EMD 算法和单一的 EWT 算法在滚动轴承外圈、内圈、滚动体故障中能够更加清晰地分离出故障冲击分量，其提取的包络谱中的故障特征频率以及其倍频成分更加突出。最后建立了一个滚动轴承故障无量纲指标，更有利于滚动轴承故障的识别。
（3）利用真实航空发动机主轴承故障演化的试车数据，进一步对新算法的效果进行验证。结果表明，在滚动轴承试验机与真实复杂的航空发动机主轴承中，EMD-EWT 算法相较于单一的 EMD 算法和单一的 EWT 算法诊断精度更高，同时还具有很低的虚警率，结果充分表明了本文新方法的正确有效性。
论文研究成果为航空发动机主轴承故障检测与预警提供了新的思路和方法，同时，可以推广到其他领域的滚动轴承早期故障的检测与预警。
关键词：滚动轴承，故障诊断，经验模态分解（EMD），经验小波变换（EWT），包络分析，航空发动机 | 
