[发明专利]基于EEMD和小波包变换的早期故障敏感特征提取方法

说明书

技术领域

本发明涉及一种机电设备故障特征提取方法，特别是关于一种基于EEMD(总体平均经验模态分解)和小波包变换的早期故障敏感特征提取方法。

背景技术

高速超精密高端制造装备技术是国家重点发展产业，已广泛应用于航空航天、核电、高新技术等行业，大大提高产品加工精度及生产效率。主轴系统包含主轴、轴承、刀柄、刀具(或工件)等零部件,是数控机床的重要子系统。主轴系统精度保持性、安全性和可靠性等动态性能成为机床运行中的瓶颈问题,严重制约高速超精密数控机床发展和实际应用。工业生产实际急需针对高速超精密机床进行运行性能监测、提供精度劣化评价的理论、技术和方法。其中当主轴系统中的滚动轴承或齿轮等出现局部缺陷时，会产生一系列的周期性冲击衰减响应，丰富的故障特征信息往往包含在这些突变点中，它反映了由故障所引起的振荡、撞击、结构变形与断裂和转速改变等。由于数控机床主轴系统的早期故障和运行状态源于正常过程、特征不明显（比如回转精度劣化主要源于主轴动不平衡、偏心等），动态发展、表现不确定，特征信息耦合，时变性强。由于较强的噪声干扰会掺杂在现场采集的信号中，早期微弱故障特征信息常常被淹没在比较强的背景噪声中，或者由于有用信号的幅度绝对值极其微小，所以能否有效地去除噪声并提取出振动信号中的早期微弱突变故障信息是进行故障诊断的关键。

经验模态分解（empirical mode decomposition，EMD），得到的每个IMF都反映了信号的内部特征,它表达了信号模糊频带和瞬时频率的双重特征信息,趋势项则表示了信号的趋势。在处理非线性非平稳信号中该分解方法表现出了诸多优点，在很多邻域也得到广泛的应用。但是在使用中也发现了该方法存在一些问题，主要有模态混叠和端点效应。EEMD(总体平均经验模态分解ensemble empirical mode decomposition，EEMD)将白噪声加入待分解信号来平滑异常事件，利用白噪声具有频率均匀分布的统计特性，当信号加入高斯白噪声后，将使信号在不同尺度上具有连续性，改变了信号极值点的特性，促进抗混分解，有效地避免了模式混叠现象，实现了自适应信号分解，但在处理某些信号时精确度不太稳定。小波分解的可以处理信号的低频部分，对高频部分不能做进一步处理；小波包变换（Wavelet Packet Transform，WPT）是利用小波变换的带通滤波器的特性，通过选择合适的小波函数对信号进行分解以得到合适的共振频带。但是小波包的参数不能自动选择，不能实现自适应分解。

发明内容

针对上述问题，本发明的目的是提供一种基于EEMD和小波包变换的早期故障敏感特征提取方法，它能将故障信号进行自适应精确划分，并且能够准确提取故障信息。

为实现上述目的，本发明采取以下技术方案：一种基于EEMD和小波包变换的早期故障敏感特征提取方法，其包括以下步骤：1）将采集到的机电设备原始振动信号y(t)进行EEMD分解，并加入白噪声，分解得到IMF分量c_j(t)；2）选择与故障密切相关的敏感IMF分量c_j(t)，忽略其它不相关的IMF分量，采用将IMF分量和原始振动信号y(t)之间的相关系数作为判断指标，选择与故障密切相关的敏感IMF分量的步骤如下：①将步骤1）中得到的所有IMF分量和原始振动信号y(t)进行归一化处理，得到原始振动信号归一化处理后的信号X_i，归一化处理后的IMF分量值X_i′，原始振动信号归一化处理后的均值和归一化化处理后得到的IMF分量的均值②计算归一化处理后的所有IMF分量与原始振动信号y(t)的相关系数μ_i，i＝1,2,...,n：