專利名稱：基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及到機械設(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)領(lǐng)域，具體涉及一種機械設(shè)備故障特征提取方法。
背景技術(shù)：
集合經(jīng)驗?zāi)Ｊ椒纸?Ensembleempirical mode decomposition, EEMD)將噪聲輔助分析應(yīng)用于經(jīng)驗?zāi)Ｊ椒纸?Empirical Mode decompos it ion, EMD)中，以促進抗混分解，有效的抑制EMD中固有的模式混淆問題。相對于EMD，經(jīng)EEMD分解得到的固有模式函數(shù)(Intrinsic mode function, IMF)更能揭示原信號的物理內(nèi)涵,使每個IMF的物理本質(zhì)更為清晰。Lei將EEMD應(yīng)用到旋轉(zhuǎn)機械轉(zhuǎn)子系統(tǒng)的故障診斷中，準(zhǔn)確診斷了發(fā)電機轉(zhuǎn)子的碰摩故障，并證明了 EEMD在旋轉(zhuǎn)機械故障特征提取中優(yōu)越性；ZVOkel j將EEMD和主分量分析相結(jié)合，提高了滾動軸承故障診斷的可靠性；An應(yīng)用EEMD和希爾伯特變換有效提取了風(fēng)·力發(fā)電機組軸承座松動的故障特征；Zhou應(yīng)用EEMD處理齒輪箱嵌入式傳感器獲取的信號，成功實現(xiàn)了對齒輪箱狀態(tài)在線監(jiān)測和故障診斷；雷亞國提出了基于改進Hilbert-Huang變換的機械故障診斷方法，首先利用EEMD獲取無模式混淆的IMF，再通過敏感度評估算法選擇對故障特征敏感的IMF,使得到的Hilbert-Huang譜能更準(zhǔn)確的診斷機械故障。以上研究表明了 EEMD在機械故障特征提取中具有重要價值和明顯優(yōu)勢，然而，在應(yīng)用EEMD時必須設(shè)置兩個重要參數(shù)，即加入白噪聲的幅值系數(shù)k和總體平均次數(shù)M。如果這兩個參數(shù)設(shè)置不合適，則會使分解誤差增大，導(dǎo)致分解結(jié)果無意義。當(dāng)k過小時，可能不足以引起信號局部極值點的變化，使加入噪聲以改變信號的局部時間跨度失去了意義，當(dāng)k過大時，則會使分解誤差增大，甚至?xí)螞]原信號特征使分解失去意義。理論上講，M值越大則分解誤差越小，直至忽略不計，但M的增大將損失計算效率，使耗時成倍增加。針對k和M的選取問題，Huang建議k由原信號的標(biāo)準(zhǔn)差乘以一個分?jǐn)?shù)來定義，一般取原信號標(biāo)準(zhǔn)差的0.2倍，信號中高頻成分多時k適當(dāng)減小，反之則適當(dāng)增大k，M可通過設(shè)置分解誤差來確定；陳略應(yīng)用信號中的高頻成分的幅值標(biāo)準(zhǔn)差與低頻成分的幅值標(biāo)準(zhǔn)差之比來確定k，再通過設(shè)定的期望分解誤差求出M，該方法有一定應(yīng)用價值，但計算過程中不易區(qū)分信號的高頻成分與低頻成分。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明針對EEMD中的兩個重要參數(shù)k和M的選取問題，分析了白噪聲幅值系數(shù)改變原信號極值點分布的規(guī)律，及其對EEMD分解精度、效率和分解誤差的影響，通過計算加入白噪聲后極值點的分布均勻性指標(biāo)來確定k，設(shè)置EEMD的期望分解誤差來計算M。從而，提出了最優(yōu)參數(shù)的EEMD方法，以便于EEMD用于機械運行狀態(tài)監(jiān)測或進行故障診斷。本發(fā)明的提供的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，包括如下步驟
I)輸入信號x(t)，計算加入不同幅值系數(shù)的白噪聲后信號的極大值序列相鄰點幅值差值和間距的標(biāo)準(zhǔn)差的乘積std_max，以及極小值序列相鄰點幅值差值和間距的標(biāo)準(zhǔn)差的乘積std_min,以此作為評價信號極大、小值點分布均勻性的指標(biāo),std_max和std_min越小則信號極大、小值分布越均勻，獲得使std_max取得最小值的白噪聲幅值系數(shù)k_max，獲得使std_min取得最小值的白噪聲幅值系數(shù)k_min ；2)求k_max和k_min的平均值作為EEMD的參數(shù)k，再根據(jù)設(shè)置的期望分解誤差e計算總體平均次數(shù)M,完成EEMD參數(shù)優(yōu)化；3)對故障信號進行EEMD分解,獲得一系列固有模式函數(shù)IMF分量,完成故障特征提取。進一步，所述步驟I)具體包括如下步驟11)求出原信號x(t)的標(biāo)準(zhǔn)偏差O，分別加入N次不同幅值系數(shù)的白噪聲n’Jt)，白噪聲幅值系數(shù)如下式所示k(i) = —a(i = I N),
100其中，k(i)表示白噪聲幅值系數(shù)，i表示第i次加入白噪聲；12)計算每次加入白噪聲后信號的上極值點序列extr_max(xl, yl),計算每次加入白噪聲后信號的下極值點序列extr_min(x2, y2),其中，(xl、yl)、(x2、y2)為對應(yīng)極值點的橫、縱坐標(biāo)；13)計算extr_max (xl, yl)相鄰點的幅值差值標(biāo)準(zhǔn)差和間距標(biāo)準(zhǔn)差之積std_max,計算extr_min (x2, y2)相鄰點的幅值差值標(biāo)準(zhǔn)差和間距標(biāo)準(zhǔn)差之積std_min,如下式
I j Nl-II j ArI-IStd _ max = —— Yj (I xli+l — A I-11I) x Jtt-T E (I 凡+1 - JI I —"I)
y ivi — Iy iVi — I wi
I J ,￥2-iI J m-\—^min = ——— [(—I x2i+l — t2 | -U2 )x ——- [(| v2/+1 — j,2, | -u2)
V Z -1 i=ff2V iV 2 -1 i=m式中，NI為 extr_max(xl, yl)的點數(shù),N2 為 extr_min (x 2, y2)的點數(shù),UpU1'為extr_max (xl, yl)相鄰點幅值差值的平均值和間距的平均值,u2、u' 2為extr_min(x2, y2)相鄰點幅值差值的平均值和間距的平均值，Xli+ 1表示極大值點橫坐標(biāo)，Xli表示表示極大值點橫坐標(biāo)，Yli +!表示極大值點縱坐標(biāo)，Yli表示極大值點縱坐標(biāo)，x2i + j表示極小值點橫坐標(biāo)，x2i表示極小值點橫坐標(biāo)，y2i + j表示極小值點縱坐標(biāo)，y2i表示極小值點縱坐標(biāo)。進一步，所述步驟2)具體包括如下步驟14)計算使std_max和std_min達到最小值的白噪聲幅值系數(shù)k_max和k_min的平均值k，再根據(jù)下式計算M :M = (―)2
e ’并判斷M的大小是否小于20，如果M < 20時，取M=20。進一步，所述步驟3)具體包括如下步驟15)在原始振動信號x(t)中按照以下方式分別加入M次均值為0，幅值系數(shù)為k的高斯白噪聲Iii (t)
Xi (t) = x (t) + Iii (t),式中，i=l M，i表示第i次加入白噪聲，Xi (t)為加入高斯白噪聲之后的信號；16)對Xi⑴分別進行集合經(jīng)驗?zāi)Ｊ椒纸猓玫終個固有模式函數(shù)分量和一個余項r^t)
權(quán)利要求
1.基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于包括如下步驟 1)輸入信號X(t)，計算加入不同幅值系數(shù)的白噪聲后信號的極大值序列相鄰點幅值差值和間距的標(biāo)準(zhǔn)差的乘積StcLmax，以及極小值序列相鄰點幅值差值和間距的標(biāo)準(zhǔn)差的乘積std_min,獲得使std_max取得最小值的白噪聲幅值系數(shù)k_max,獲得使std_min取得最小值的白噪聲幅值系數(shù)k_min ； 2)求k_max和k_min的平均值作為EEMD的參數(shù)k，再根據(jù)設(shè)置的期望分解誤差e計算總體平均次數(shù)M，完成EEMD參數(shù)優(yōu)化； 3)對故障信號進行EEMD分解，獲得一系列固有模式函數(shù)IMF分量，完成故障特征提取。
2.根據(jù)權(quán)利要求I所述的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于所述步驟I)具體包括如下步驟 11)求出原信號x(t)的標(biāo)準(zhǔn)偏差0，分別加入N次不同幅值系數(shù)的白噪聲n’Jt)，白噪聲幅值系數(shù)如下式所示
3.根據(jù)權(quán)利要求I所述的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于所述步驟2)具體包括如下步驟 14)計算使std_max和std_min達到最小值的白噪聲幅值系數(shù)k_max和k_min的平均值k，再根據(jù)下式計算M :
4.根據(jù)權(quán)利要求I所述的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于所述步驟3)具體包括如下步驟 15)在原始振動信號x(t)中按照以下方式分別加入M次均值為O，幅值系數(shù)為k的高斯白噪聲Iii (t)Xi (t) = x(t) + Iii (t), 式中，i=l M，i表示第i次加入白噪聲，Xi (t)為加入高斯白噪聲之后的信號； 16)對Xi(t)分別進行集合經(jīng)驗?zāi)Ｊ椒纸猓玫終個固有模式函數(shù)分量和一個余項r^t)
5.根據(jù)權(quán)利要求4所述的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于所述步驟3)中的故障特征是通過EEMD分解后的MF分量的幅值譜和Hilbert譜來完成故障特征提取。
6.根據(jù)權(quán)利要求I所述的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于所述誤差e —般取0. 01。
7.根據(jù)權(quán)利要求2所述的基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸獾臋C械故障特征提取方法，其特征在于所述白噪聲n’Jt)幅值系數(shù)N—般取50。
全文摘要
發(fā)明涉及到機械設(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)領(lǐng)域，提出了一種基于最優(yōu)參數(shù)集合經(jīng)驗?zāi)Ｊ椒纸?EEMD，Ensemble empirical mode decomposition)的機械故障特征提取方法。該方法從白噪聲幅值系數(shù)改變信號極值點分布均勻性的規(guī)律出發(fā)，尋找使信號極值點均勻性最好的白噪聲幅值系數(shù)作為EEMD的k值，再通過設(shè)置期望分解誤差計算得到M值(總體平均次數(shù))，從而完成EEMD參數(shù)的選取，以對故障信號進行EEMD分解并提取故障特征。對滾動軸承故障特征的成功提取驗證了該方法的可行性與有效性。該發(fā)明適用于機械設(shè)備的狀態(tài)監(jiān)測以及故障診斷等領(lǐng)域。
文檔編號G01M13/04GK102778357SQ20121029072
公開日2012年11月14日 申請日期2012年8月15日 優(yōu)先權(quán)日2012年8月15日
發(fā)明者張焱, 湯寶平, 鄧?yán)? 陳仁祥 申請人:重慶大學(xué)