EEMD-ICA联合降噪的旋转机械故障信号检测方法.docxVIP

? ? EEMD-ICA联合降噪的旋转机械故障信号检测方法 ? ? 高康平，徐信芯,2，焦生杰，师 宁 (1.长安大学 工程机械系公路养护装备国家工程实验室, 西安710064；2.河南省高远公路养护技术有限公司, 河南 新乡453000) 轴承、齿轮、钻头等旋转机械作为设备的核心部件，其可靠性直接影响设备的运行效率与使用寿命，因此，及时监测与诊断旋转机械的运行状态具有重要意义[1-2]。但是，其故障特征常被周围的设备以及环境噪声所干扰，使得故障信号不便于被监测，特别是早期的故障。虽然旋转机械运行过程中振动信号富含大量的故障信息，但是所采集的振动信号具有非线性、非平稳的特点，采用传统的时频域方法不能准确提取故障特征频率。为了解决这个问题，变分模态分解[3]、经验模态分解（Empirical Mode Decomposition，EMD）[4]、经验小波分解[5]、小波变换[6]等方法受到广泛的关注。其中，沈路等[7]在进行齿轮的故障特征提取时，利用形态小波降噪，进行了故障信号的监测与诊断；陈长征等[8]在进行故障轴承的特征提取时，以相关系数和峭度作为评价指标，对经小波包降噪后的故障信号进行局部均值分解，突显了沉浸在噪声中的特征频率。但是，这些方法都有各自的缺点，小波变换需要提前确定小波基函数；EMD 和变分模态分解法在处理信号中容易造成模态混叠效应和端点效应。为了克服这种现象，狄豪等[9]应用聚合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）提取了滚动轴承的故障特征，并结合概率神经网络进行轴承不同部位的故障识别。李国华等[10]利用EEMD 对电机轴承振动信号进行分解，计算各阶固有模态函数（Intrinsic Mode Function，IMF）的能量，将其作为特征向量输入到SOM中进行故障的识别。李东等[11]利用峭度准则选取主要的IMF 分量，并将经奇异值分解得到的特征向量输入到支持向量机中，与BP 神经网络对比分析，验证了该方法在故障特征提取过程中的有效性。文献[12]对经EEMD分解后的IMF分量进行了重新加权与重构，描述了故障的具体特征，保证了故障特征的精确提取。 EEMD 虽然避免了模态混合问题，但是采用该方法分解出来的各阶IMF 仍然包含一定的噪声，因此，需要对分解出的IMF 进行进一步降噪处理。独立成分分析（Independent Component Analysis，ICA）可以将非高斯数据进行线性化表示，使得源信号具有相互独立性，其本质就是在源信号以及混合矩阵未知的情况下，通过观测信号分离噪声和有用信号，ICA 这种独特的优势在信号处理领域受到广泛注[13－14]。其中，杨旭等[13]使用ICA 处理自然环境噪声，解决了在野外强风影响下无线传感声识别技术的不足；文献[14]中应用基于ICA 的散斑降噪技术，提高了激光雷达系统的测距能力与精度。 为了取得更好的降噪效果，准确提取故障特征，本文结合EEMD 和ICA 的优点，以具有内外圈故障的滚动轴承为例，对其特征信号进行提取。首先，应用EEMD 原理对故障轴承的振动信号进行分解，并剔除含有较多噪声等干扰信号的IMF分量，之后，将所选取的有用分量重构后输入到ICA 中，进一步进行噪声与故障信号分离；最后通过对故障信号进行频谱分析提取轴承的故障特征。 1 基于EEMD-ICA分析模型的建立 1.1 EEMD的基本原理 EEMD 方法的核心是EMD 分解，虽然EMD 对信号进行分解时具有高效性，但是，如果待测信号某个频段不连续，运用EMD进行信号分解时就会产生模态混叠和端点效应。为了弥补这一缺陷，人们提出了EEMD方法，也就是在原始信号中加入白噪声，改变故障信号的极值点，保证信号在不同尺度上的连续性，有效地抑制了由于异常扰动引起的模态混叠和端点效应。EEMD分解过程如下： (1)在原始信号中多次加入等长度的高斯白噪声ni(t)，得到新的信号如下所示： 其中：xi(t)为在原信号x(t)中第i次加入噪声后的信号。所加入的白噪声应符合以下的规律： 式中：ε为输入信号的标准差，k和N分别为加入噪声的强度与次数。 (2) 通过拟合信号的上下包络线，求解均值m(t)； (3)在加入噪声的信号中去除均值序列m(t)得到检测信号，并判断检测信号是否满足IMF的条件，如不满足，继续重复步骤（2），直到检测信号满足IMF条件为止。 (4) 利用xi(t)和固有模态函数计算剩余信号，公式如下所示： 式中：Ri1(t)为剩余信号。 (5) 对剩余信号重复步骤（2）和（3），依次获得IMF分量； (6)重新在原始信号中加入白噪声，并重复以上步骤； (7)为了避免所加入的白噪声对特征提取的影响，对分解得到的同阶IMF 分量进行集总