旋转机械故障诊断案例(旋转机械故障信号分析——经验模式分解)

Posted 2023-05-28

篇首语：不飞则已，一飞冲天；不鸣则已，一鸣惊人。本文由小常识网(cha138.com)小编为大家整理，主要介绍了旋转机械故障诊断案例(旋转机械故障信号分析——经验模式分解)相关的知识，希望对你有一定的参考价值。

旋转机械故障诊断案例(旋转机械故障信号分析——经验模式分解)

经验模式分解（EMD）算法最早是由Huang等人提出的，能够自适应地分解任意复杂信号为多组分成分。其本质是将一个信号投影到时频平面上，使每次投影成为一个模式分量，对原始信号通过频率阶数由高至低进行分离得到多个模式分量，并保持每个模式分量的时变特性，从而能够通过频谱变换计算相应的瞬时频率。算法通过递归地检测待分析数据中的局部极小值和极大值，并在时间尺度内对局部特征进行上、下包络，然后用原始信号减去上下包络线的均值，进行一次“低通滤波”，分离出原始信号中的“高频模式”，将其作为本征模式分量。

采用同样方法对剩下的“低通”成分进行多次迭代筛选，当剩下的“低通”序列极值点个数与过零点个数差值绝对值小于1或者该序列关于时间轴局部对称时，得到一个特征模式函数；对剩余值序列重复迭代筛选，从而将原始信号分解为一系列的特征模式函数。当分解过程满足模式分量或剩余分量比某个阈值小或者剩余分量为单调函数不能再筛选时，经验模式分解算法迭代终止。这样，原始信号就可以分解为若干个基本模式分量和一个残差项。

在理论改进方面，Wu和Huang针对不同时间尺度的波动可能出现在同一个本质模式函数中，或相似时间尺度的波动存在于多个本质模式函数中的缺陷，提出了一种噪声辅助集合经验模式分解(EEMD)。集合经验模式分解算法向信号中增加幅值有限的辅助白噪声，在时频空间中提供统一的参考基准，在真实解附近扰动信号，强制加入噪声的样本在经验模式分解中遍历所有可能的解，使不同时间尺度的信号分量调整到适当的本质模式函数中。

由于各个样本中加入的辅助噪声不同，通过对足够多的样本进行集合平均，从而消除辅助噪声的影响。柯西准则针对固有模式分量的筛选停止准则问题，提出通过连续两个模式分量的标准偏差达到预设定阈值时（通常设置在0.2和0.3之间），停止内部筛选循环。Ricci和Pennacch针对经验模式分量需要手动选的问题，利用模式分量的周期性程度和绝对偏度线性组合，提出了本征模式分量自动选择准则。

经验模式分解和集合经验模式分解不需要任何先验基础来匹配信号特性，而是通过数值逼近自适应地提取信号固有波动模式。不同于小波变换的结果取决于小波基，经验模式分解得到的模式分量是由信号本身决定的，而不是预先确定的。派生的时频表达提供了良好的时频分辨率，并且不受内部和外部干扰。这些优点使其能够有效地解决信号分量的时变结构问题。然而，经验模式分解和集合经验模式分解缺乏严格的数学公式，且具有其它方面的局限性。

经验模式分解的局限性在于过估计了模式的数量，分离了一些原本属于同一组件的信息，致使发生模式混叠现象。集合经验模式分解的优点是减少了经验模式分解中出现的模式混合问题，但是一方面，它计算量大，而且需要选择合适的噪声参数才能获得最佳的性能；另一方面，由于算法过程基于极值的上下包络线，需要大量的过采样来正确识别极值，故待分析信号需要较高的采样频率。采用基于经验模式分解理论以及其改进理论进行振动信号的特征提取应用，如何有效地选择对故障敏感的模式分量仍然缺乏一个普遍有效的准则。