[发明专利]机械早期及复合故障的集成噪声重构经验模式分解方法

说明书

技术领域

本发明涉及大型机械设备（航空发动机、汽轮发电机组、连铸连轧机组、风电装备等）故障诊断技术，具体涉及一种机械设备的早期故障和复合故障的特征提取与识别方法。 

背景技术

机械设备一旦出现事故，将带来巨大的经济损失和人员伤亡。在工程实践中，我们期望对故障的发生与发展能够做到防微杜渐，不期望亡羊补牢般地处理事故。因此，研究开发有效的早期故障和复合故障诊断技术具有重要的工程应用价值。早期故障包含两方面含义，其一是指处于早期阶段的微弱故障或潜在故障，具有症状不明显、特征信息微弱、信噪比低等特点；其二是从物理意义上讲，某一故障是另一故障的早期阶段，并随着时间推移进一步诱发复合故障。复合故障是指关键设备同时发生两个或多个互相关联、交叉影响的故障，其动态信号一般表现为多个故障特征的相互耦合与调制。早期故障和复合故障的特征提取、故障定位与定量比较困难，已成为国内外本领域研究的难点和热点。 

近年来兴起的第二代小波变换、多小波变换、双树复小波变换、谱峭度等方法在早期故障特征提取上展现出广阔的应用前景。但是这些方法中如何构造和选择与故障特征波形相匹配、且具有优良性质的合适基函数成为故障诊断的关键所在。同时，这些方法在进行抑制噪声的同时，可能会“过扼杀”信号中的重要微弱故障特征信息，造成故障特征信息的丢失。 

经验模式分解(Empirical Mode Decomposition，EMD)方法可根据信号本身具有的时间尺度特征自适应地将其分解为一系列本征模式分量(intrinsic mode function,IMF)的线性和，已在设备早期故障诊断领域得到应用。但传统EMD方法对信号进行分解时，时常会出现由于某一或几个时间尺度的IMF不连续，产生模式混淆的现象，从而影响EMD方法进一步应用。为克服模式混淆问题，集成经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）方法应运而生。该方法从噪声利用的角度，对信号添加白噪声来改善传统EMD方法中的模式混淆现象。然而EEMD应用效果依赖于添加的白噪声大小和总体平 均次数，目前尚缺乏可靠、通用的噪声协助准则。同时，对于信噪比相对较低的机械故障信号，EEMD中的平均过程仅能抵消所添加的白噪声，不能消除信号中的原有噪声从而提取信号中早期及复合故障特征。 

发明内容

本发明的目的在于提供一种应用于机械早期及复合故障特征提取的集成噪声重构经验模式分解(ensemble noise-reconstructed EMD)的方法，该方法不仅可继承EMD方法在自适应分解非平稳信号上的优势，同时它利用原信号中固有噪声分量可实现信号降噪并改善EMD中的模式混淆问题。 

为达到以上目的，本发明是采取如下技术方案予以实现的： 

一种机械早期及复合故障的集成噪声重构经验模式分解方法，其特征在于，包括下述步骤： 

1）对所采集到的原始信号x(t)中的噪声分量进行估算： 

a.首先对x(t)进行EMD分解，得到各IMF{c_k(t),k＝1,···,n}和残差分量r_n(t)，其中，k代表IMF个数； 

b.计算各个{c_k(t)}的能量{E_k,k＝1,···n}，设定第一个IMF分量c₁(t)为纯白噪声，即c₁(t)中的纯白噪声能量

c.根据纯白噪声下IMF能量公式，分别计算各个{c_k(t)}得到各IMF在置信区间95%的纯白噪声能量和置信区间99%下的纯白噪声能量{E^nk,99%,k=2,3...n};]]>