近日，我校林近山老師團隊在機械工程TOP期刊《Nonlinear Dynamics》上發表了題為“Multifractal detrended fluctuation analysis based on optimized empirical mode decomposition for complex signal analysis”的研究論文。旋轉機械工作環境惡劣，轉速、載荷、阻尼和摩擦力等工況復雜多變，其振動信號呈現復雜的非平穩、非線性特征，且故障特征非常微弱，現有方法難以有效提取復雜機械振動信號的動力學特征。針對上述技術難題，該研究提出了一種基于最優經驗模式分解的多重分形去趨勢波動分析方法， 發展了一種有潛力的機械振動信號動力學特征提取方法。該方法首先利用經驗模式分解算法對設備振動信號進行分解，然后利用非線性判別算法去除分解結果中的噪聲分量和趨勢項，保留分形信號分量，采用三次樣條插值函數對每個分形信號分量的極值點進行插值，利用最小二乘法擬合每個分形信號分量的包絡，分離每個分形信號分量的頻率調制部分，利用Teager能量算子估計每個分形信號分量的瞬時頻率并計算相應的瞬時尺度，根據分析尺度自動確定振動信號去趨勢結果，計算去趨勢信號的多重分形譜，提取多重分形譜的左端點、右端點和極值點所對應的奇異指數作為設備運行狀態的特征參數對設備運行狀態進行識別，仿真和實驗結果證明該方法具有比現有方法更優越的性能。

我校林近山老師為第一作者和通訊作者。該研究獲得山東省自然科學基金、濰坊市科技發展計劃和山東中科普銳檢測技術有限公司的支持。

論文鏈接： https://link.springer.com/article/10.1007/s11071-021-06223-7 

（機電與車輛工程學院供稿）