[发明专利]基于最优参数集合经验模式分解的机械故障特征提取方法

说明书

技术领域

本发明涉及到机械设备状态监测和故障诊断技术领域，具体涉及一种机械设备故障特征提取方法。

背景技术

集合经验模式分解（Ensemble empirical mode decomposition,EEMD）将噪声辅助分析应用于经验模式分解（Empirical Mode decompos it ion,EMD）中，以促进抗混分解，有效的抑制EMD中固有的模式混淆问题。相对于EMD，经EEMD分解得到的固有模式函数(Intrinsic mode function,IMF)更能揭示原信号的物理内涵，使每个IMF的物理本质更为清晰。Lei将EEMD应用到旋转机械转子系统的故障诊断中，准确诊断了发电机转子的碰摩故障，并证明了EEMD在旋转机械故障特征提取中优越性；Zvokelj将EEMD和主分量分析相结合，提高了滚动轴承故障诊断的可靠性；An应用EEMD和希尔伯特变换有效提取了风力发电机组轴承座松动的故障特征；Zhou应用EEMD处理齿轮箱嵌入式传感器获取的信号，成功实现了对齿轮箱状态在线监测和故障诊断；雷亚国提出了基于改进Hilbert-Huang变换的机械故障诊断方法，首先利用EEMD获取无模式混淆的IMF，再通过敏感度评估算法选择对故障特征敏感的IMF，使得到的Hilbert-Huang谱能更准确的诊断机械故障。

以上研究表明了EEMD在机械故障特征提取中具有重要价值和明显优势，然而，在应用EEMD时必须设置两个重要参数，即加入白噪声的幅值系数k和总体平均次数M。如果这两个参数设置不合适，则会使分解误差增大，导致分解结果无意义。当k过小时，可能不足以引起信号局部极值点的变化，使加入噪声以改变信号的局部时间跨度失去了意义，当k过大时，则会使分解误差增大，甚至会湮没原信号特征使分解失去意义。理论上讲，M值越大则分解误差越小，直至忽略不计，但M的增大将损失计算效率，使耗时成倍增加。针对k和M的选取问题，Huang建议k由原信号的标准差乘以一个分数来定义，一般取原信号标准差的0.2倍，信号中高频成分多时k适当减小，反之则适当增大k，M可通过设置分解误差来确定；陈略应用信号中的高频成分的幅值标准差与低频成分的幅值标准差之比来确定k，再通过设定的期望分解误差求出M，该方法有一定应用价值，但计算过程中不易区分信号的高频成分与低频成分。

发明内容

有鉴于此，本发明针对EEMD中的两个重要参数k和M的选取问题，分析了白噪声幅值系数改变原信号极值点分布的规律，及其对EEMD分解精度、效率和分解误差的影响，通过计算加入白噪声后极值点的分布均匀性指标来确定k，设置EEMD的期望分解误差来计算M。从而，提出了最优参数的EEMD方法，以便于EEMD用于机械运行状态监测或进行故障诊断。

本发明的提供的基于最优参数集合经验模式分解的机械故障特征提取方法，包括如下步骤：

1）输入信号x(t)，计算加入不同幅值系数的白噪声后信号的极大值序列相邻点幅值差值和间距的标准差的乘积std_max，以及极小值序列相邻点幅值差值和间距的标准差的乘积std_min，以此作为评价信号极大、小值点分布均匀性的指标，std_max和std_min越小则信号极大、小值分布越均匀，获得使std_max取得最小值的白噪声幅值系数k_max，获得使std_min取得最小值的白噪声幅值系数k_min；

2）求k_max和k_min的平均值作为EEMD的参数k,再根据设置的期望分解误差e计算总体平均次数M，完成EEMD参数优化；

3）对故障信号进行EEMD分解，获得一系列固有模式函数IMF分量，完成故障特征提取。

进一步，所述步骤1）具体包括如下步骤：

11）求出原信号x(t)的标准偏差σ，分别加入N次不同幅值系数的白噪声n'_i(t)，白噪声幅值系数如下式所示：

k(i)=i100σ(i=1~N),]]>

其中，k(i)表示白噪声幅值系数，i表示第i次加入白噪声；