CN115456019A - 基于小波包变换与ceemdan的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明提供一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，首先将采集的振动信号通过分解算法并通过峭度值‑相关系数筛选准则筛选信号分量并进行初步重构，可以划分出含有噪声成分不同的高噪信号和低噪信号；通过小波包变换的方式对含有较多噪声成分的高噪信号进行分解，依据信号分量的峭度值进一步重构达到滤除背景环境噪声的效果并与经筛选准则划分的低噪信号进行最终重构产生去噪信号；通过包络解调的方式对产生的去噪信号进行特征提取并将实际故障特征频率与理论故障特征频率进行比对进行故障诊断；经过试验证明，经过该方法去噪得到的信号有效的滤除了背景环境噪声成分，并提高传统故障诊断方法的诊断分辨率且具有较高的准确率，具有实际工程应用价值。

Description

基于小波包变换与CEEMDAN的滚动轴承故障诊断方法

技术领域

本发明属于轴承故障诊断技术领域，具体涉及一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法。

背景技术

旋转机械在工业生产发展过程中占主导地位，滚动轴承作为旋转机械中的重要组成部分对于旋转机械的运行状态乃至现代工业发展具有重要意义。因此，实现对滚动轴承的精确故障诊断具有实际意义。滚动轴承包括内圈、外圈、滚动体和保持架等结构；其中，滚动体又包括球、圆柱滚子、滚针、圆锥滚子和球面滚子等多种类型，滚动轴承各部件在运行状态下受润滑不足、装配不当、过载运行等方面因素影响，因而容易发生故障，故障状态下的滚动轴承在运行过程中导致机械设备安全性及精密性等性能严重受到影响，因此对于滚动轴承的日常运行状态进行精准的监测和故障诊断对机械设备的性能保障具有重要作用。运行状态下的滚动轴承振动信号具有非平稳非线性的特征，对于具备该种特征的振动信号最有效的分析方法为时频分析；常见的时频分析方法包括傅里叶变换(FFT)、小波变换及经验模态分解(EMD)等方法。

傅里叶变换(FFT)在对于非平稳信号的时频分析过程中存在特征频率分辨率低、无法精准定位信号的问题；在对于背景环境噪声滤除的环节中，小波变换具有良好的去噪效果，但从原理上小波变换只能对低频信号进行变换而忽略高频部分的信息，因此对其进行优化，提出了小波包变换，同时实现对高低频部分的变换，在筛选重构的过程中保留了更多的有效信息，同时能够达到良好的噪声滤除效果。经验模态分解(EMD)是由美国NASA的黄锷博士等人于1998年提出的一种新型的信号分析方法，黄锷博士认为，任何复杂信号都是由若干信号分量叠加而成，其本质上是对一段非平稳振动信号进行平稳化处理，将复杂信号逐级分解开，产生一系列包含不同特定时间尺度尺度的固有模态分量(IMF)，但是由于EMD分解的原理缺乏严格的数学基础，导致分解的效率低，并同时出现在同一IMF分量中产生不同时间尺度和频率的信号或不同IMF分量中产生相同时间尺度和频率的模态混叠的问题导致IMF分量失去意义；基于这个问题，Wu在2009年通过对白噪声统计特征的研究，提出了总体平均经验模态分解(EEMD)，解决了模态混叠的问题，但EEMD分解存在白噪声残留的问题，影响后续的信号分析处理，Torres等人在EEMD算法的基础上对EEMD分解方法进行改进，提出了完整自适应噪声集合经验模态分解(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise,CEEMDAN)，与EEMD不同的是，CEEMDAN分解后得到的是加入有限次数的自适应白噪声的IMF分量，降低总体平均计算的次数，在分解流程上，EEMD是将分解出来的IMF分量进行总体平均，而CEEMDAN则是在一阶IMF被分解出来之后直接进行总体平均计算，有效降低了EEMD分解方法中信号重构过程的误差，同时提高了分解的效率。

故障特征提取是故障诊断过程中的关键步骤，传统的故障诊断方法包括专家诊断法、包络共振解调法等方法，传统的故障诊断方法存在过于依赖人工专业能力的经验判断，因此容易出现由于信息不全面导致误诊，故障特征的提取精确度较低。在故障诊断的过程中，采集的振动信号受环境背景噪声对于后续的信号分析处理的影响较大，因此在故障诊断的过程中，对背景环境噪声的滤除工作十分重要，但传统的噪声滤除方法例如小波包变换去噪在滤除背景环境噪声的成分的同时也会滤除部分有效信息。然而，通过多步分解筛选划分对传统噪声滤除方法进行优化可以在滤除背景环境噪声成分的同时保留更多的有效信息达到更好的故障诊断效果。

发明内容

基于上述问题，本发明提出一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，包括如下步骤：

步骤1：采集滚动轴承的振动信号；

步骤2：对采集到的滚动轴承振动信号进行分解，分解出不同的信号分量；

所述信号分量为IMF分量，采用CEEMDAN对采集到的振动信号进行分解，分解出不同的IMF信号分量；

步骤3：结合峭度值、相关系数，对经分解后产生的信号分量进行筛选划分并初步重构，划分为高噪信号和低噪信号；包括：

步骤3.1：计算各信号分量的峭度值ku，如下所示：

其中，N表示离散序列点数，σ表示标准差，x_i表示时域波形离散序列点对应的振动幅值，x表示离散序列的平均幅值；

步骤3.2：计算采集的振动信号的峭度值ku₀；

步骤3.3：计算各信号分量的皮尔逊相关系数r_IMF；

步骤3.4：根据各信号分量的皮尔逊相关系数计算采集的振动信号的相关系数阈值T，如下所示：

其中，|r_IMF|表示各信号分量的相关系数的绝对值，

表示信号分量相关系数的平均值，n表示信号分量的个数；

步骤3.5：将各信号分量的峭度值与采集的振动信号的峭度值进行相除实现归一化并与各信号分量的皮尔逊相关系数绝对值进行求和，得到筛选指标K：

步骤3.6：将相关系数阈值与振动信号峭度值的归一化结果求和，得到对比参数K₀：

步骤3.7：对各信号分量依据筛选指标K进行降序排列并与对比参数K₀进行对比，将大于对比参数K₀部分的信号分量进行叠加重构产生高噪信号，将小于对比参数K₀部分的信号分量进行叠加重构产生低噪信号；

步骤4：通过小波包变换对重构得到的高噪信号进行分解，产生不同的WPT信号分量，经噪声滤除后与低噪信号进行重构得到最终的去噪信号，包括：

步骤4.1：对重构得到的高噪信号进行一维三阶小波包变换，产生若干个WPT信号分量；

步骤4.2：分别计算各WPT信号分量的峭度值并依据峭度值大小降序排列；

步骤4.3：从峭度值排在前Q的WPT信号分量中选择两个WPT信号分量进行叠加重构并滤除高噪信号中的噪声成分；

步骤4.4：将滤除噪声成分的高噪信号与低噪信号进行叠加重构得到一维去噪信号；

步骤5：通过包络解调的方式对去噪信号进行特征提取，将提取到的实际故障特征频率与计算出的理论故障特征频率进行滚动轴承的故障诊断。

本发明的有益效果是：

1)、本发明提供的方法所选用的CEEMDAN分解，有效地消除了模态混叠的问题，在相同的时间和频率尺度下具有更好的局部特征，采用整体平均的计算方法有效提高了算法的运行效率；所选用的小波包变换，不仅运算效率较高，而且作为传统小波变换的延伸，在具备良好的环境背景噪声成分滤除效果的同时，对高频细节部分同时进行变换，保留更多有效信息；

2)、本发明提供的方法所选用的峭度值-相关系数筛选准则对经分解产生的IMF信号分量进行不同噪声成分含量的划分，避免了单指标参数筛选选择的IMF分量的片面性，达到划分并初步重构产生高噪信号和低噪信号的作用；

3)、通过包络解调的方式对经处理后产生的去噪信号进行故障特征提取，在提取故障特征频率及转频以外，同时提取以故障特征频率为中心以转频为边带的调制频率，增加滚动轴承故障诊断的精确性；

4)、本发明提供的方法应用于真实滚动轴承振动信号，结果表明，经过该方法对采集的振动信号进行去噪，能够有效的滤除由滚动轴承运行状态下背景环境噪声成分，消除环境背景噪声对采集的振动信号质量的影响，并具有较高的故障诊断精确率，与传统的小波包变换故障诊断方法相比，有效地提高了故障诊断的精确率，保留更多有效信息，具有实际的工程应用价值。

附图说明

图1为本发明实施例中基于小波包变换与CEEMDAN的滚动轴承故障诊断方法的流程图；

图2为本发明实施例中西储大学简单路径实验轴承原始信号的时域图，其中(a)为实施例中西储大学简单路径实验轴承内圈故障样本原始振动信号时域图，(b)为实施例中西储大学简单路径实验轴承外圈故障样本原始振动信号时域图；

图3为本发明实施例中西储大学简单路径实验轴承基于小波包变换与CEEMDAN的去噪信号的时域图，其中(a)为实施例中西储大学简单路径实验轴承内圈故障样本去噪信号时域图，(b)为实施例中西储大学简单路径实验轴承外圈故障样本去噪信号时域图；

图4为本发明实施例中航空发动机复杂路径中介轴承基于小波包变换与CEEMDAN的去噪信号与原始振动信号的时域对比示意图，其中(a)为实施例中航空发动机复杂路径中介轴承内圈故障样本去噪信号与原始振动信号的时域对比示意图，(b)为实施例中航空发动机复杂路径中介轴承外圈故障样本去噪信号与原始振动信号的时域对比示意图；

图5为本发明实施例中西储大学简单路径实验轴承基于小波包变换与CEEMDAN的去噪信号0-800Hz频率范围包络谱，其中(a)为实施例中西储大学简单路径实验轴承内圈故障样本去噪信号0-800Hz包络谱，(b)为实施例中西储大学简单路径实验轴承外圈故障样本去噪信号0-800Hz包络谱；

图6为本发明实施例中西储大学简单路径实验轴承基于小波包变换与CEEMDAN的去噪信号0-200Hz频率范围包络谱，其中(a)为实施例中西储大学简单路径实验轴承内圈故障样本去噪信号0-200Hz包络谱，(b)为实施例中西储大学简单路径实验轴承外圈故障样本去噪信号0-200Hz包络谱；

图7为本发明实施例中航空发动机复杂路径中介轴承基于小波包变换与CEEMDAN的去噪信号0-200Hz频率范围包络谱，其中(a)为实施例中航空发动机复杂路径中介轴承内圈故障样本去噪信号0-200Hz包络谱，(b)为实施例中航空发动机复杂路径中介轴承外圈故障样本去噪信号0-200Hz包络谱；

图8为为本发明实施例中航空发动机复杂路径中介轴承内圈故障样本基于传统小波包变换的去噪信号0-200Hz包络谱。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明。本发明是一种将振动信号通过CEEMDAN算法进行分解并通过峭度值-相关系数多参数指标筛选划分后与一维三阶小波包变换去噪方法进行结合的故障诊断方法。首先对采集到的振动信号进行CEEMDAN分解，然后利用峭度值-相关系数筛选准则对分解产生的IMF分量进行划分初步重构产生高噪信号和低噪信号，对初步重构产生的高噪信号通过一维三阶小波包变换(WPT)进行分解产生8个WPT信号分量并根据各分量的峭度值进行筛选并进一步重构实现高噪信号噪声成分的滤除，将去噪后的高噪信号与经峭度值-相关系数筛选准则初步重构产生的低噪信号进行最终重构产生去噪信号；最终将去噪信号进行包络解调，提取故障特征频率，完成滚动轴承的故障诊断。与其他滚动轴承故障诊断方法相比，该方法有效滤除背景环境噪声成分以消除对信号分析的影响，同时提高了故障诊断的准确率并保留更多的有效信息。

如图1所示，基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，包括：

步骤1：采用振动传感器采集滚动轴承的振动信号；

步骤2：采用CEEMDAN分解方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的IMF分量；

CEEMDAN的原理如下：CEEMDAN是在经验模态分解EEMD的基础上提出并加以改进形成的新型分解方法，CEEMDAN分解后得到的是加入有限次数的自适应白噪声的IMF分量，降低总体平均计算的次数，在分解流程上，经验模态分解EEMD是将分解出来的IMF分量进行总体平均，而CEEMDAN则是在一阶IMF被分解出来之后直接进行总体平均计算，在数学上，一维振动信号由经CEEMDAN分解后产生的不同的分量加和构成。

首先在原始振动信号y(t)中加入N次高斯白噪声z_i'(t)(i'＝1,2,…,N)；

y_i'(t)＝y(t)+z_i'(t)(i'＝1,2,...,N')

对于加入高斯白噪声的振动信号y_i'(t)进行EMD分解后产生M个固有模态分量IMF_m(t)(m＝1,2,…,M)，进行总体平均计算，得到第一阶固有模态分量IMF₁，然后将加入高斯白噪声的振动信号y_i'(t)与IMF₁相减产生余量h₁(t)如下：

h₁(t)＝y(t)-IMF₁

对第一阶段运算后产生的余量h₁(t)继续添加高斯白噪声并进行EMD分解后产生第二阶固有模态分量IMF₂和第二阶余量h₂(t)，根据该计算特征，对振动信号进行多次EMD分解直至第M次分解后的信号余量无法继续分解，完成CEEMDAN分解流程，最终经CEEMDAN分解过后的信号y'(t)如下：

式中，IMF_m(t)表示经第m次分解后产生的第m阶固有模态分量，h_M(t)表示运算过程中对振动信号进行多次EMD分解直至第M次分解后的信号余量无法继续分解时的余量。

步骤3：结合峭度值、相关系数对经分解后产生的IMF信号分量进行筛选并初步重构，实现噪声成分含量不同的信号分量的划分，划分为高噪信号和低噪信号；包括：

所述结合峭度值、相关系数对分解后产生的IMF信号分量进行筛选的过程如下：

步骤3.1：计算各IMF分量的峭度值ku，如下所示：

其中，N表示离散序列点数，σ表示标准差，x_i表示时域波形离散序列点对应的振动幅值，

表示离散序列的平均幅值；

步骤3.2：计算采集的振动信号的峭度值ku₀；

步骤3.3：计算各IMF分量的皮尔逊相关系数绝对值|r_IMF|；

步骤3.4：根据各IMF分量的皮尔逊相关系数计算采集的振动信号的相关系数阈值T，如下所示：

其中，|r_IMF|表示各IMF信号分量的相关系数绝对值，

表示IMF信号分量相关系数的平均值，n表示IMF信号分量的个数；

步骤3.5：将各IMF信号分量的峭度值依据采集的振动信号的峭度值进行归一化并与各IMF分量的皮尔逊相关系数绝对值进行求和，得到筛选指标K：

步骤3.6：将相关系数法阈值T与振动信号峭度值的归一化结果求和，计算得到对比参数K₀：

本实施例中，采用皮尔逊相关系数描述各IMF分量与采集的振动信号之间的相关性，其产生的相关系数范围在[-1,1]之间，相关系数的绝对值越大，变量之间的线性相关程度越大；反之，相关系数越小，变量之间线性相关程度越小。

设两样本分别为X和Y，相关系数为：

式中，r为两个变量的皮尔逊相关系数，Cov(X,Y)为X和Y的协方差，

表示变量X的方差，

表示Y的方差。

本实施例中，对各IMF分量依据筛选指标K进行降序排列并与对比参数K₀进行对比，将大于对比参数的部分进行重构产生高噪信号，将小于对比参数的部分进行重构产生低噪信号。

步骤4：采用一维三阶小波包变换的方法对经峭度值-相关系数筛选准则初步重构划分出的一维高噪信号进行处理，分解出不同的WPT分量，并依据分解出的8个WPT分量的峭度值进行降序排列并从峭度值排在前Q的WPT信号分量中选择2个WPT信号分量进行叠加重构，滤除高噪信号中的噪声成分并与低噪信号进行重构最终产生去噪信号实现背景环境噪声的滤除。

所述信号分量为WPT分量，采用小波包变换对采集到的振动信号进行分解，分解出不同的WPT信号分量，并根据峭度值筛选出合适的分量进行进一步重构，实现高噪信号中噪声成分的滤除，将滤除噪声成分的高噪信号与经峭度值-相关系数筛选准则划分并初步重构的低噪信号进行最终重构产生去噪信号。

步骤5：通过对去噪信号进行包络解调以提取滚动轴承的实际故障特征频率(包括内圈、外圈、滚动体、保持架的频率)，根据实验滚动轴承故障样本的轴承参数计算理论故障特征频率，通过比对提取得到的实际故障特征频率与理论故障特征频率进行故障诊断；

滚动轴承故障理论特征频率计算公式如下：

式中，Z为滚动体个数，F为滚动轴承转频，d为滚珠直径，D为轴承滚道节径，α为轴承接触角，f_i为内圈故障特征频率，f_o为外圈故障特征频率，f_c为滚动体故障特征频率，f_r为保持架故障特征频率。

依据故障诊断理论，允许实际故障特征频率误差范围应在频率分辨率范围内，频率分辨率为采样频率与实际采样点数的比值如下：

其中，e_max表示允许的最大误差范围即频率分辨率，f_s为采样频率，N'为采样点数；

以内圈故障特征判断为例进行故障诊断说明。根据实际情况设定的内圈故障允许的频率误差范围为[f_i-e_max,f_i+e_max]，如果通过包络解调的方式提取到的实际故障特征频率在此误差范围内，则可以判定滚动轴承内圈发生故障。

本实施例采用了真实的实验数据进行分析，分别取自西储大学简单路径实验轴承和航空发动机复杂路径中介轴承数据。西储大学简单路径实验轴承振动信号数据的采样频率为12000Hz；航空发动机复杂路径中介轴承振动信号数据的采样频率为25600Hz。

采用西储大学简单路径实验轴承故障样本数据，选择用于分析的故障轴承为6205-2RJEM SKF型深沟球轴承。振动数据的采样频率为12000Hz。选取内、外圈简单路径实验轴承故障样本数据进行分析，采集的内圈故障样本数据原始振动信号时域信号如图2(a)所示；采集的外圈故障样本数据原始振动信号时域信号如图2(b)所示。

通过基于小波包变换与CEEMDAN的滚动轴承故障诊断方法对简单路径实验轴承故障样本数据进行环境背景噪声滤除，简单路径滚动轴承内圈故障样本时域信号如图3(a)所示，简单路径滚动轴承外圈故障样本时域信号如图3(b)所示。

通过对比可知本专利提出的方法对简单路径滚动轴承背景环境噪声的滤除具有良好的效果。

对简单路径滚动轴承内、外圈故障样本去噪信号进行包络解调，首先截取0-800Hz频率范围提取简单路径滚动轴承内、外圈故障样本去噪信号的特征频率及其倍频，简单路径滚动轴承内圈故障样本0-800Hz频率范围特征提取结果如图5(a)所示；简单路径滚动轴承外圈故障样本0-800Hz频率范围特征提取结果如图5(b)所示。

缩小频率范围，截取0-200Hz频率范围提取简单路径滚动轴承内、外圈故障样本去噪信号的调制频率，简单路径滚动轴承内圈故障样本0-200Hz频率范围特征提取结果如图6(a)所示；简单路径滚动轴承外圈故障样本0-200Hz频率范围特征提取结果如图6(b)所示。

由图5、图6中提取结果可知基于小波包变换与CEEMDAN的滚动轴承故障诊断方法对简单路径滚动轴承能够实现良好的故障诊断效果，因此可以验证基于小波包变换与CEEMDAN的滚动轴承故障诊断方法的理论可行性。

本实施例中采用某型涡扇发动机5支点中介轴承结构搭建模拟实验台进行数据采集，模拟航空发动机复杂路径滚动轴承故障样本实况，发动机转子***实验台最高转速为18000r/min，最大径向负荷为20kN，可控制内外圈旋转方向，振动数据采样频率为25600Hz。

采用的滚动轴承为航空发动机中介轴承，对内、外圈进行线切割处理模拟航空发动机中介轴承故障，通过传感器采集滚动轴承振动信号，经基于小波包变换与CEEMDAN的滚动轴承故障诊断方法进行噪声滤除后，其内圈故障信号与采集的内圈故障样本振动信号的时域图对比如图4(a)所示；其外圈故障信号与采集的外圈故障样本振动信号的时域图对比如图4(b)所示。

经对比可以看出基于小波包变换与CEEMDAN的滚动轴承故障诊断方法对复杂路径下滚动轴承采集的振动信号滤除背景环境噪声具有良好的效果。

对经处理后的复杂路径滚动轴承故障样本进行包络解调并截取0-200Hz频率范围进行分析，复杂路径滚动轴承内圈故障样本去噪信号0-200Hz频率范围内特征提取结果如图7(a)所示，复杂路径滚动轴承外圈故障样本去噪信号0-200Hz频率范围内特征提取结果如图7(b)所示。

由图7中所示，在0-200Hz频率范围内可以清晰地提取到复杂路径滚动轴承内、外圈故障样本的转频、故障特征频率及二倍频，以故障频率及倍频为中心，转频为边带的调制频率，通过基于小波包变换与CEEMDAN的滚动轴承故障诊断方法对复杂路径滚动轴承振动信号进行处理，对内圈特征提取，实际特征频率与理论特征频率的误差为1.2％；对外圈特征提取，实际特征频率与理论特征频率的误差为1.5％，验证基于小波包变换与CEEMDAN的滚动轴承故障诊断方法具有良好的实际工程应用价值。

通过传统小波包变换故障诊断方法对复杂路径滚动轴承内圈故障样本进行故障诊断，并截取0-200Hz频率范围进行特征提取，特征提取结果如图8所示。

将基于小波包变换与CEEMDAN的滚动轴承故障诊断方法对复杂路径滚动轴承内圈故障样本与传统小波包变换故障诊断方法对复杂路径滚动轴承内圈故障样本的故障特征提取结果进行对比可知，基于小波包变换与CEEMDAN的滚动轴承故障诊断方法能够提高故障诊断的分辨率，能够提取更多的故障特征频率，具有更好的滚动轴承故障诊断效果。

Claims (4)

1.一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，其特征在于，包括：

步骤1：采集滚动轴承的振动信号；

步骤2：对采集到的滚动轴承振动信号进行分解，分解出不同的信号分量；

步骤3：结合峭度值、相关系数，对经分解后产生的信号分量进行筛选划分并初步重构，划分为高噪信号和低噪信号；

步骤4：通过小波包变换对重构得到的高噪信号进行分解，产生不同的WPT信号分量，经噪声滤除后与低噪信号进行重构得到最终的去噪信号；

步骤5：通过包络解调的方式对去噪信号进行特征提取，将提取到的实际故障特征频率与计算出的理论故障特征频率进行滚动轴承的故障诊断。

2.根据权利要求1所述的一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，其特征在于，所述步骤2中信号分量为IMF分量，采用CEEMDAN对采集到的振动信号进行分解，分解出不同的IMF信号分量。

3.根据权利要求1所述的一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，其特征在于，所述步骤3包括：

步骤3.1：计算各信号分量的峭度值ku，如下所示：

其中，N表示离散序列点数，σ表示标准差，x_i表示时域波形离散序列点对应的振动幅值，

表示离散序列的平均幅值；

步骤3.2：计算采集的振动信号的峭度值ku₀；

步骤3.3：计算各信号分量的皮尔逊相关系数r_IMF；

步骤3.4：根据各信号分量的皮尔逊相关系数计算采集的振动信号的相关系数阈值T，如下所示：

其中，|r_IMF|表示各信号分量的相关系数的绝对值，

表示信号分量相关系数的平均值，n表示信号分量的个数；

步骤3.5：将各信号分量的峭度值与采集的振动信号的峭度值进行相除实现归一化并与各信号分量的皮尔逊相关系数绝对值进行求和，得到筛选指标K：

步骤3.6：将相关系数阈值与振动信号峭度值的归一化结果求和，得到对比参数K₀：

步骤3.7：对各信号分量依据筛选指标K进行降序排列并与对比参数K₀进行对比，将大于对比参数K₀部分的信号分量进行叠加重构产生高噪信号，将小于对比参数K₀部分的信号分量进行叠加重构产生低噪信号。

4.根据权利要求1所述的一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，其特征在于，所述步骤4包括：

步骤4.1：对重构得到的高噪信号进行一维三阶小波包变换，产生若干个WPT信号分量；

步骤4.2：分别计算各WPT信号分量的峭度值并依据峭度值大小降序排列；

步骤4.3：从峭度值排在前Q的WPT信号分量中选择两个WPT信号分量进行叠加重构并滤除高噪信号中的噪声成分；

步骤4.4：将滤除噪声成分的高噪信号与低噪信号进行叠加重构得到一维去噪信号。

Images