近日，我校林近山老师团队在机械工程TOP期刊《Nonlinear Dynamics》上发表了题为“Multifractal detrended fluctuation analysis based on optimized empirical mode decomposition for complex signal analysis”的研究论文。旋转机械工作环境恶劣，转速、载荷、阻尼和摩擦力等工况复杂多变，其振动信号呈现复杂的非平稳、非线性特征，且故障特征非常微弱，现有方法难以有效提取复杂机械振动信号的动力学特征。针对上述技术难题，该研究提出了一种基于最优经验模式分解的多重分形去趋势波动分析方法， 发展了一种有潜力的机械振动信号动力学特征提取方法。该方法首先利用经验模式分解算法对设备振动信号进行分解，然后利用非线性判别算法去除分解结果中的噪声分量和趋势项，保留分形信号分量，采用三次样条插值函数对每个分形信号分量的极值点进行插值，利用最小二乘法拟合每个分形信号分量的包络，分离每个分形信号分量的频率调制部分，利用Teager能量算子估计每个分形信号分量的瞬时频率并计算相应的瞬时尺度，根据分析尺度自动确定振动信号去趋势结果，计算去趋势信号的多重分形谱，提取多重分形谱的左端点、右端点和极值点所对应的奇异指数作为设备运行状态的特征参数对设备运行状态进行识别，仿真和实验结果证明该方法具有比现有方法更优越的性能。

我校林近山老师为第一作者和通讯作者。该研究获得山东省自然科学基金、潍坊市科技发展计划和山东中科普锐检测技术有限公司的支持。

论文链接： https://link.springer.com/article/10.1007/s11071-021-06223-7 

（机电与车辆工程学院供稿）