作者：张淑清，徐剑涛 ，姜安琦 ，李军锋 ， 宿新爽 ，姜万录 

作者单位：燕山大学电气工程学院，中南大学信息工程学院，燕山大学机械工程学院

来源：中国机械工程

针对复杂非线性的滚动轴承系统，提出了极点对称模态分解（ESMD）和概率神经网络（PNN）相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充，采用内部极点对称直接插值的方法替代外部包络线插值，引入最优的自适应全局曲线（AGM）的概念优化分解的趋势线，并由此确定最佳的模态分解次数。

PNN 是一种基于核函数逼近的神经网络分类器，将指数函数引入神经网络用来替代S型激活函数并进行重新构造，突出体现了梯度最速下降法的概念，减少实际和预测的输出函数之间的误差。通过对经验模态分解（EMD）、屏蔽经验模态分解（MEMD）和ESMD方法进行信号仿真分解对比，以及采用 ESMD和PNN对故障数据进行处理，结果表明，该方法能够更加有效地对故障信号进行识别。