[发明专利]超高频噪声辅助经验模态分解方法

说明书

本发明涉及机械故障诊断技术领域，尤其涉及一种超高频噪声辅助经验模态分解方法，通过一次性加入超高频噪声后进行EMD处理，利用超高频噪声极值点多的特点增加IMF提取时的筛选次数，从而分离频谱邻近的多个瞬态成分。由于UNEMD只有一次EMD分解，所以计算量较小；由于加入的是超高频噪声，所以所得IMFs中不含残余噪声。

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种超高频噪声辅助经验模态分解方法。

背景技术

滚动轴承是旋转机械设备的常用部件，也是易损部件。滚动轴承发生故障后如果任其发展，将会损坏相连的其他部件，甚至是整个机械系统，最后可能会给生产或生活造成巨大的经济损失和恶劣的社会影响。因此，对滚动轴承的状态监测和故障诊断具有重要意义。滚动轴承发生故障后，滚子在旋转时会对故障部位进行周期性地碰撞，这种周期性的信号会对机械系统的共振频率进行调制，在振动时域信号中表现为周期性的瞬态成分，在振动信号的频谱中表现为间隔等距的共振频带。然而，滚动轴承的工作环境往往比较复杂，测得的振动信号中包含了相连部件的振动成分和大量的环境噪声，使得轴承故障瞬态成分在振动信号中表现得较为微弱，从而影响了轴承故障的准确识别。

经验模态分解（EMD）是一种非平稳信号分解方法，能够把复杂的信号分解为有限个本征模态函数（IMF）。每个IMF都满足两个条件：a）函数在整个时间范围内，局部极值点和过零点的数目相等，或最多相差一个；b）在任意时刻点，局部最大值的包络（上包络线）和局部最小值的包络（下包络线） 的平均值为零。由于轴承振动信号包含了多种非平稳成分，且故障瞬态成分也符合IMF的条件，所以EMD在轴承故障瞬态成分检测中得到了广泛的应用。但是故障瞬态成分是一种间歇信号，会使EMD的分解结果产生模态混叠问题，即分解得到的故障瞬态成分中含有其他分量，或者故障瞬态成分分布在多个IMF中。其中前者会干扰故障瞬态成分的识别。

集合经验模态分解（EEMD）方法就是为了解决EMD方法存在的模态混叠问题而提出的。该方法的原理是在原信号中加入与信号同频率范围的白噪声，利用白噪声频谱的均匀分布特性，使信号在不同时间尺度上都具有连续性，这样对加噪的信号进行EMD处理就可以缓解模态混叠问题。为了去除加入的噪声，需要多次向原始信号中加入噪声并进行EMD处理，然后分别对对应的IMFs求取平均，利用噪声的随机特性去除残余噪声。加入噪声的次数，即集合次数越多，最终获得的IMFs中的残余噪声越少。

EEMD方法通过加入与信号同频率范围的白噪声解决模态混叠问题，需要增加集合次数来减少残余噪声，从而增加了计算量。要完全去除加入的噪声，需要无穷多的集合次数。此外，当信号中包含频谱邻近的多个瞬态成分时，EEMD不能将其分解开来。因此，现有的EEMD方法至少存在如下问题：

a）计算量大；

b）残余噪声不能通过有限的集合平均次数完全消除；

c）对频谱邻近的多个瞬态成分的分离能力差。

发明内容

本发明旨在解决上述缺陷，提供一种超高频噪声辅助经验模态分解方法，该方法针对EEMD方法中存在的计算量大、有残余噪声和对多个瞬态成分分离能力差的问题，通过一次性加入超高频噪声后进行EMD处理，利用超高频噪声极值点多的特点增加IMF提取时的筛选次数，从而分离频谱邻近的多个瞬态成分。由于UNEMD只有一次EMD分解，所以计算量较小；由于加入的是超高频噪声，所以所得IMFs中不含残余噪声。

为了克服背景技术中存在的缺陷，本发明解决其技术问题所采用的技术方案是：这种超高频噪声辅助经验模态分解方法，该方法包括：