一．选题的依据及意义

现代化生产日益向着精密化，高速化，大规模、自动化方向发展，各个部件的联系越来越紧密，机械设备结构功能越来越复杂。若其中某一零部件发生故障未能及时排除，其结果不仅可能造成设备本身损坏，甚至可能机毁人亡，给国民经济及人民生命造成极大损失。为了提高设备效率和运行可靠性，并防患于未然，旋转机械主轴的故障诊断与状态监测日益受到重视，故障诊断方法研究对于机械故障的诊断与分析有重要意义。

机械故障诊断，就是通过机械运行中的相关信息老识别其技术状态是否正常，确定故障的性质和部位，寻找故障起因，预报故障趋势，并提出相应的对策的一门技术。机械故障诊断工作得到了广大科研人员的关注和重视，随着各个领域技术的不断发展，各种新的技术和理论被不断地应用于机械故障诊断中，并提出了新的诊断方法与理论，如小波变换，分形理论，混沌理论，神经网络等技术理论都被用于故障诊断中。

机械故障的实质是提取机械的故障信号特征，并利用模式识别方法故障识别。在实际工程应用中，由于大部分故障信号都是突变信号或奇异信号，能量微弱，且受到噪声的干扰和影响，因此，如何把故障特征信号从复杂的信号中提取出来以对故障进行分析和诊断具有十分重要的意义。

二．采取的研究方法，研究手段及技术路线，实施方案等

目前常用的信号分析方法主要为小波变换,但通常的用法都是针对整个信号直接进行分解。其结果是每一分频段只与信号的采样频率有关,而与信号本身无关这样很容易受到信号中相邻谐波成分的交叠影响。

经验模态分解法（EMD）及Hilbert#8212;huang变换（HHT）是 N.E.huang于 1998 年提出的。是一种基于信号特征 时间尺度的时域分解方法，适合于分析非线性、

非平稳信号,有很高的信噪比阵。是一种基于非平稳非线性的信号处理方法 。

与传统时频分析方法相比较,HHT方法没有窗口傅立叶变换的固定时频窗口 ,