CN105547627A - 基于wpt-ceemd的旋转机械特征提取方法 - Google Patents

Abstract

本发明公开了基于WPT-CEEMD的旋转机械特征提取方法，首先运用WPT良好的局部分析能力对噪声部分进行消除或者对有用频率段进行提取，再进行CEEMD自适应分解，最后对分解后存在的少量频率混叠部分再次利用WPT予以修正，从而实现对特征频率信号的提取。本发明将WPT与CEEMD相结合，克服了在现有故障诊断方法中存在频率混叠、不具有自适应性等缺点。

Description

基于WPT-CEEMD的旋转机械特征提取方法

技术领域

本发明属于机械设备故障诊断领域，特别涉及了基于WPT-CEEMD的旋转机械特征提取方法。

背景技术

随着现代工业和科学技术的飞速发展，工业已成为衡量一个国家科学技术发展的标准。机械设备是工业发展的载体，为工业发展提供关键技术，在国民经济中发挥着越来越重要的作用。同时旋转机械也越来越朝着大型化、复杂化、精密化的方向发展，机械设备的功能越来越多，性能指标越来越高，其组成与结构越来越复杂，这样势必会使得故障出现的概率大大增加。

滚动轴承是旋转机械中应用最广且也是最易损坏的机械零件之一，许多机械故障都与滚动轴承有关，它工作好坏对机械的工作状态有很大的影响，故对工作中的滚动轴承进行故障诊断尤为重要。由于机械设备振动信号多为非线性非平稳信号，传统的傅里叶分析不免有一定的局限性。时频分析方法如小波变换(Wavelettransform,WT)、小波包变换(WaveletPackageTransform,WPT)、希尔伯特黄变换(Hilbert-Huangtransform,HHT)、Gabor变换等，由于能够同时提供信号时域和频域的局部信息，而在机械故障诊断中得到广泛的应用。

传统的WT和WPT在实际信号处理过程中由于自身Mallat算法的缺陷，会在频段分割处出现严重的频率混叠现象且不具有自适应性，直接用于故障信号提取效果不佳。希尔伯特黄变换中的EMD能将信号自适应分解为有限个固有模态函数(IntrinsicModeFunction,IMF)，所分解出的各IMF分量包含原信号不同时间尺度的局部特征信号，但也存在着严重的模态混叠缺点。针对此缺点，在EMD的基础中又提出了总体平均经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)以及EEMD的改进方法——互补总体平均经验模态分解(ComplementaryEnsembleEmpiricalModeDecomposition,CEEMD)。两种方法在自适应分解后，虽有效的抑制EMD的频率混叠缺陷但在低频部分依然存在少量的模态混叠现象。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供基于WPT-CEEMD的旋转机械特征提取方法，将WPT和CEEMD相结合，有效抑制了分解后的模态混频。

为了实现上述技术目的，本发明的技术方案为：

基于WPT-CEEMD的旋转机械特征提取方法，包括以下步骤：

(1)采集旋转机械振动信号；

(2)对采集的振动信号进行FFT变换，再使用WPT变换对信号进行消噪处理；

(3)对消噪处理后的信号进行CEEMD自适应分解；

(4)提取分解出的IMF分量的频率信号，做出每个IMF分量的频谱图；

(5)根据频率与幅值的对应关系检查是否存在严重的模态混叠，即多个不同频率的细节信号是否被分解到同一IMF分量内，如果存在严重的模态混叠，则返回步骤(3)，否则转入步骤(6)；

(6)若同一频率的信号被自适应分解到相邻的IMF分量内，则对出现模态混叠的部分利用WPT变换进行修正，提取出特征信号。

进一步地，步骤(2)中使用WPT变换对信号进行消噪处理的具体过程：

(a)选择一个小波基并确定分解的层次后，对信号进行小波包分解；

(b)对于给定的熵标准，确定最优小波包基；

(c)对最优小波包基的系数进行阈值量化；

(d)对阈值量化后的小波包系数进行重构，得到重构信号。

进一步地，步骤(3)的具体过程：

(ⅰ)分别向消噪处理后的信号x(t)中加入一组等长度的、给定标准差的、符号正负相反的正态分布白噪声，从而形成两个新信号；

(ⅱ)对加入白噪声后的两个信号分别进行EMD分解，得到其各自的IMF分量；

(ⅲ)根据设定的分解次数n，重复步骤(ⅰ)、(ⅱ)n次，且要求每次加入新的正态分布白噪声；

(ⅳ)分解得到的IMF分量共计2n组，将这2n组IMF分量相加后除以2n，求其平均，得到1组IMF分量。

进一步地，所述正态分布白噪声的幅值为信号x(t)的标准差乘以系数f，其中0<f<1。

进一步地，当分解次数n取100，系数f的取值范围是0.01<f<0.5。

进一步地，在步骤(5)中，如果存在严重的模态混叠，在返回步骤(3)时，需要重新确定分解次数n。

采用上述技术方案带来的有益效果：

本发明应用CEEMD对信号进行分解，有效抑制了传统EMD分解的模态混叠问题，并运用WPT良好的局部分析能力对分解后的存在模态混叠的部分再进行修正，从而达到对细节信号的精确提取。

附图说明

图1是本发明的流程图；

图2包括(a)、(b)、(c)3幅图，分别为信号y1、y2以及仿真信号s(t)波形图；

图3包括(a)、(b)2幅图，分别为s(t)经EMD分解的IMF1、IMF2波形图；

图4包括(a)、(b)、(c)、(d)4幅图，分别为s(t)经CEEMD分解的IMF1、IMF2、IMF3、IMF4波形图；

图5是实际采集得到的振动信号时域图；

图6是实际采集得到的振动信号频谱图；

图7是对实际采集得到的振动信号进行WPT预处理后的频谱图；

图8包括(a)、(b)、(c)3幅图，分别为实际采集得到的振动信号经CEEMD分解的IMF6、IMF7、IMF8的时域图；

图9包括(a)、(b)、(c)3幅图，分别为实际采集得到的振动信号经CEEMD分解的IMF6、IMF7、IMF8的频谱图；

图10包括(a)、(b)2幅图，WPT修正后提取的工作频率分量的时域图和频谱图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示本发明的流程图，基于WPT-CEEMD的旋转机械特征提取方法，包括以下步骤：

(1)采集旋转机械振动信号；

(2)对采集的振动信号进行FFT变换，再使用WPT变换对信号进行消噪处理，抑制信号中的无用部分，增强信号中有用部分，其具体过程如下：

(a)选择一个小波基并确定分解的层次后，对信号进行小波包分解，小波包第一层分解将信号以采样频率的1/2为中点将信号分为高低两个频段，第二层分解将第一层分解两个频段分别以1/4和3/4的采样频率为中点再进行分解得到四个频段，以此类推，可以根据实际信号提取的需要选择分解层数；

(b)对于给定的熵标准，确定最优小波包基；

(c)对最优小波包基的系数进行阈值量化；

(d)对阈值量化后的小波包系数进行重构，得到重构信号。

(3)对消噪处理后的信号进行CEEMD自适应分解，其具体过程如下：

(ⅰ)分别向消噪处理后的信号x(t)中加入一组等长度的、给定标准差的、符号正负相反的正态分布白噪声，从而形成两个新信号；

(ⅱ)对加入白噪声后的两个信号分别进行EMD分解，得到其各自的IMF分量；

(ⅲ)根据设定的分解次数n，重复步骤(ⅰ)、(ⅱ)n次，且要求每次加入新的正态分布白噪声；

(ⅳ)分解得到的IMF分量共计2n组，将这2n组IMF分量相加后除以2n，求其平均，得到1组IMF分量。

正态分布白噪声的幅值为信号x(t)的标准差乘以系数f，其中0<f<1，当分解次数n取100，系数f的取值范围是0.01<f<0.5。在实际应用中，添加白噪声的幅值的系数根据预处理后信号所含噪声的大小进行调整，信号内所含噪声越大CEEMD分解时所添加的白噪声幅值的系数越大；

(4)提取分解出的IMF分量的频率信号，做出每个IMF分量的频谱图；

(5)根据频率与幅值的对应关系检查是否存在严重的模态混叠，即多个不同频率的细节信号是否被分解到同一IMF分量内，如果存在严重的模态混叠，则返回步骤(3)，此时需要重新确定分解次数n，否则转入步骤(6)；

(6)若同一频率的信号(尤其是在低频段信号)被自适应分解到相邻的IMF分量内，则对出现模态混叠的部分利用WPT变换进行修正，对同一IMF分量内的不同频率的信号进行分离，再将相同频率的信号时域上相加，即可提取出所需频率信号。

如图2所示，首先仿真一个信号s(t)是由低频正弦分量y1(t)与高频间断信号y2(t)叠加而成即s(t)＝y1+y2，其中

y1＝sin(20π*t)0≤t≤1(1)

$y2=\left\{\begin{array}{ccc}0& 0\&le;t<1& 0.22\&le;t<0.5\\ & 0.52\&le;t<0.8& 0.82\&le;t<1;\\ sin(500\mathrm{\&pi;}*t)& 0.2\&le;t<0.22& 0.5\&le;t<0.52\\ & 0.8\&le;t<0.82& \end{array}\right.---\left(2\right)$

仿真信号采样频率为1kHz，采样时间为1s。分别采用EMD和CEEMD对仿真信号s(t)进行分解，分解次数为50次，添加白噪声幅值标准差为仿真信号的0.1倍，结果分别如图3、图4所示，由图3可见，两个频率相差很大的信号被EMD分解到同一个分量即IMF1内，出现了模态混叠现象。图4可以看出CEEMD分解得到的IMF1很好的提取出高频间断信号且幅值只有很小的改变；IMF2、IMF3含有少量的两个源信号，出现了少量的模态混叠现象；IMF4提取出低频正弦信号。对IMF1和y2(t)做相关性分析可以达到97.12％。从而验证了CEEMD有效的抑制了EMD的模态混叠缺点。

再以实际振动信号为例，采用OROSR3X系的动态信号分析仪对卧式螺旋离心机(简称卧螺离心机)在工作转速运行阶段的振动信号进行测试实验。采样频率为12.8kHz，采样时间为20s，卧螺离心机相关参数如表1所示。图5是采集得到的时域信号。

表1

为了对卧螺离心机工作频率即1阶分量55Hz进行提取，首先选择对采集到的振动信号进行FFT变换做出其频谱图如图6所示，根据采样频率及信号的频谱图进行WPT预处理。

WPT预处理后的信号频谱图如图7所示，可以看出预处理后高频噪声部分被消除，为下一步CEEMD分解提取出有用的频率段，并从频谱图中得到每个频率成分与幅值的对应关系。

将预处理后的信号进行CEEMD自适应分解，经过多次试验，选择分解重复步骤次数。取分解次数n为50，添加的白噪声的幅值标准差为WPT预处理后的0.1倍。由于CEEMD自适应分解后的IMF分量是根据频率段从高到低依次排列下来，图8、图9分别分解后的IMF6、IMF7、IMF8三个分量的时域图和频谱图。

根据IMF分量的频谱图中的频率与幅值对应关系，与预处理后的信号频谱图7进行对比，可以看出CEEMD自适应分解后，在低频部分相邻的IMF分量还是存在少量的模态混叠部分，55Hz的信号被自适应的分解到IMF7、IMF8两个分量内。

对存在的少量模态混叠部分再次运用WPT进行处理，利用WPT的局部分析能力，对IMF7中的频率段再进行分解，将55Hz与2倍频110Hz分离，再将分离出的55Hz的信号加入到IMF8中从而达到对1阶分量的提取。提取出的55Hz分量的时域频谱图如图10所示。

通过以仿真实验与实际振动信号的分解结果可以看出，CEEMD自适应分解虽然有效的改善了EMD在含有间断点信号中的模态混叠问题，但在低频部分依然存在少量的频率混叠，针对此问题再次结合WPT予以修正，通过与计算所得的频率进行对比，良好的实现了轴承故障诊断。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.基于WPT-CEEMD的旋转机械特征提取方法，其特征在于，包括以下步骤：

（1）采集旋转机械振动信号；

（2）对采集的振动信号进行FFT变换，再使用WPT变换对信号进行消噪处理；

（3）对消噪处理后的信号进行CEEMD自适应分解；

（4）提取分解出的IMF分量的频率信号，做出每个IMF分量的频谱图；

（5）若多个不同频率的细节信号被分解到同一IMF分量内，则说明存在严重的模态混叠，此时返回步骤（3），否则转入步骤（6）；

（6）若同一频率的信号被自适应分解到相邻的IMF分量内，则对出现模态混叠的部分利用WPT变换进行修正后，提取出特征信号。

2.根据权利要求1所述基于WPT-CEEMD的旋转机械特征提取方法，其特征在于，步骤（2）中使用WPT变换对信号进行消噪处理的具体过程：

（a）选择一个小波基并确定分解的层次后，对信号进行小波包分解；

（b）对于给定的熵标准，确定最优小波包基；

（c）对最优小波包基的系数进行阈值量化；

（d）对阈值量化后的小波包系数进行重构，得到重构信号。

3.根据权利要求1所述基于WPT-CEEMD的旋转机械特征提取方法，其特征在于，步骤（3）的具体过程：

（ⅰ）分别向消噪处理后的信号x(t)中加入一组等长度的、给定标准差的、符号正负相反的正态分布白噪声，从而形成两个新信号；

（ⅱ）对加入白噪声后的两个信号分别进行EMD分解，得到其各自的IMF分量；

（ⅲ）根据设定的分解次数n，重复步骤（ⅰ）、（ⅱ）n次，且要求每次加入新的正态分布白噪声；

（ⅳ）分解得到的IMF分量共计2n组，将这2n组IMF分量相加后除以2n，求其平均，得到1组IMF分量。

4.根据权利要求3所述基于WPT-CEEMD的旋转机械特征提取方法，其特征在于：所述正态分布白噪声的幅值为信号x(t)的标准差乘以系数f，其中0<f<1。

5.根据权利要求4所述基于WPT-CEEMD的旋转机械特征提取方法，其特征在于：当分解次数n取100时，系数f的取值范围是0.01<f<0.5。

6.根据权利要求3所述基于WPT-CEEMD的旋转机械特征提取方法，其特征在于：在步骤（5）中，如果存在严重的模态混叠，在返回步骤（3）时，需要重新确定分解次数n。