超高频噪声辅助经验模态分解方法与流程

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。

技术实现要素：

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：

步骤1：对分析信号进行过采样，得到过采样信号，其采样频率fsn是原信号采样频率fs的n(n>1)倍；

步骤2：随机生成均值为0、标准差为原信号标准差m倍的白噪声，其数据点数与过采样信号的数据点数相同；

步骤3：滤除白噪声的低频成分，截止频率fcuth大于fs/2，得到超高频噪声；

步骤4：把超高频噪声加入过采样信号中，然后进行emd处理，得到k个imfs；

步骤5：对k个imfs进行低通滤波，截止频率fcutl满足fs/2<fcutl<fcuth，得到滤波后的imfs；

步骤6：对滤波后的imfs进行欠采样，得到最终的imfs，其采样频率为fs。

本发明的有益效果是：这种超高频噪声辅助经验模态分解方法只向信号中加入一次噪声、只进行一次emd分解，因此计算量比eemd小；加入的噪声为超高频噪声，其极值点多，可以增加提取imf时的筛选次数，从而分离出频谱邻近的多个瞬态成分；超高频噪声的频谱范围和信号所在的频谱范围不一样，可以很容易通过低通滤波器从信号中分离，所以最终的imfs中没有残余噪声。

至少具有以下优点：计算量较小、无残余噪声、对频谱邻近的多个瞬态成分的分离能力强等。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明的超高频噪声辅助经验模态分解方法的流程图；

图2为本发明实施例提供的轴承振动信号的时域波形图和功率谱图；

图3为采用eemd方法对图2所述信号进行处理后得到的前两个imfs的时域波形图和功率谱图；

图4为采用本发明公开的技术对图2所述信号进行处理后得到的前三个imfs的时域波形图和功率谱图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有的eemd方法向信号中多次加入最高频率，为信号最高频率的白噪声，采用集合平均来去除imfs中的残余噪声。集合次数越多，计算量越大，且有限次的集合平均不能完全去除残余噪声，也不能解决频谱邻近的多个瞬态成分的分离问题。

因此，本发明公开了一种超高频噪声辅助经验模态分解方法，该方法向信号中加入最高频率远高于信号频率的噪声，利用超高频噪声极值点多的特点，增加imfs提取中的筛选次数，从而增强对频谱邻近的多个瞬态成分的分离能力；同时，该方法还具有计算时间少、加入噪声易滤除的优点。

根据上述发明内容和附图1的一种超高频辅助经验模态分解方法，该技术具体包括：

步骤1：对分析信号进行过采样，得到过采样信号，其采样频率fsn是原信号采样频率fs的n(n>1)倍；

对信号进行过采样，提高信号的采样频率，才能把超高频噪声加入信号当中。

步骤2：随机生成均值为0、标准差为原信号标准差m倍的白噪声，其数据点数与过采样信号的数据点数相同；

所述白噪声的采样频率即为过采样信号的采样频率；m的取值极小。

步骤3：滤除白噪声的低频成分，截止频率fcuth大于fs/2，得到超高频噪声；

把所述白噪声的低频成分滤除，避免混入信号中难以去除。

步骤4：把超高频噪声加入过采样信号中，然后进行emd处理，得到k个imfs；

由于瞬态成分的频率较高，主要存在于前几个imfs中，所以进行emd分解时，模态个数k值不必过大。

步骤5：对k个imfs进行低通滤波，截止频率fcutl满足fs/2<fcutl<fcuth，得到滤波后的imfs；

把加入的超高频噪声滤除，避免欠采样时产生虚假频率。

步骤6：对滤波后的imfs进行欠采样，得到最终的imfs，其采样频率为fs。

最终的imfs中的前几个imfs中包含有故障瞬态成分，通过计算瞬态脉冲的周期可以判断轴承的故障类型。

为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明：

以轴承早期微弱故障检测为例，该轴承是型号为6205-2rsjemskf的深沟球轴承，采用电机驱动轴承内圈转动，转速为1748rpm，在轴承内圈设置直径为0.178mm、深度为0.279mm的单点故障，在轴承座上安装加速度传感器来采集轴承的振动信号，采样频率为12khz。

首先，根据轴承内圈旋转速度和轴承几何尺寸计算得到其主要故障特征周期，结果如表1所示。

参考附图2，图2是本发明实施例提供的轴承振动信号的时域波形图和功率谱图。从波形图中可以观察到一些瞬态脉冲成分，也存在很多的噪声。从功率谱图中可以观察到三个能量集中区域，这三个区域可能都是瞬态成分。

采用eemd方法对图2所述信号进行处理，引入噪声的标准差取常用经验值，即0.2倍的原信号标准差，集合平均次数为200，计算时间为14.17s。图3显示了处理结果中的前两个imfs的时域波形图和功率谱图。从功率谱图中可以看出，eemd方法没有把原信号三个主要的能量集中区域完全分离，高频处的两个区域都分解在第一个imf中。

采用本发明公开的技术对图2所述信号进行处理，引入的噪声的标准差是原信号标准差的0.01倍，噪声的最高频率是原信号最高频率的8倍，最低频率是采样频率的四分之一，计算时间为1.96s，远小于eemd的计算时间。图4给出了处理结果中的前三个imfs的时域波形图和功率谱图。从图中可以看出，原信号中的三个主要能量集中区域被分解到三个不同的imfs中，其中第一个imf的时域波形图的瞬态脉冲非常明显，脉冲之间的噪声被完全清除，使得脉冲的周期性更加明显，通过计算得出脉冲平均间隔为0.0063s，与表1中轴承内圈故障特征周期相同，可以认定测试轴承的内圈存在缺陷。从此例可以看出，利用本发明公开的技术可以分离出频率邻近的两个瞬态成分，且计算时间短，第一个瞬态成分的信噪比高，可以准确地判断轴承的故障特征周期。

综上所述，通过向轴承振动信号引入超高频噪声，然后进行emd分解，最后滤除超高频噪声，可以有效分离频率邻近的多个瞬态成分，去除瞬态脉冲之间的噪声，从而有效检测出轴承故障。该方法克服了现有eemd技术计算时间长、存在残余噪声和难以分离频率邻近的多个瞬态成分的问题，可以提取被其它瞬态成分淹没的故障瞬态成分，对多共振调制下的信号瞬态成分检测具有重要意义。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽范围。