基于自適應(yīng)CEEMD的非平穩(wěn)信號(hào)分析方法
發(fā)布時(shí)間:2021-07-03 01:44
由于標(biāo)準(zhǔn)的互補(bǔ)集總經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decomposition,簡(jiǎn)稱CEEMD)在處理模態(tài)混疊問題時(shí)缺乏自適應(yīng)性,其本質(zhì)是分解信號(hào)獲得的本征模態(tài)函數(shù)(intrinsic mode function,簡(jiǎn)稱IMF)之間產(chǎn)生了一定的信息耦合現(xiàn)象,使IMF分量不能正確地反映信號(hào)的真實(shí)成分。因此,提出了在使用CEEMD分解信號(hào)的過程中嵌入網(wǎng)格搜索算法(grid search algorithm,簡(jiǎn)稱GSA),以最小二乘互信息(least squares mutual information,簡(jiǎn)稱LSMI)為網(wǎng)格搜索算法的適應(yīng)度函數(shù),構(gòu)造一個(gè)自適應(yīng)CEEMD方法。該算法通過自適應(yīng)地搜索最佳的白噪聲幅值,修正信號(hào)分解過程中產(chǎn)生的少量的耦合頻率成分,確保每個(gè)IMF分量之間信息的正交性,以進(jìn)一步抑制模態(tài)混疊問題。最后,通過仿真實(shí)驗(yàn)驗(yàn)證了該方法的有效性,并將該方法用于提取滾動(dòng)軸承微故障的特征頻率。實(shí)驗(yàn)結(jié)果表明,該算法在滾動(dòng)軸承的微故障特征提取應(yīng)用中具有更少的迭代數(shù)、IMF分量以及相對(duì)更小的計(jì)算量。
【文章來源】:振動(dòng).測(cè)試與診斷. 2020,40(01)北大核心EICSCD
【文章頁(yè)數(shù)】:9 頁(yè)
【部分圖文】:
算法流程圖
圖1 算法流程圖圖3為使用不同方法處理圖1中的仿真信號(hào),獲得相應(yīng)的IMF分量及對(duì)應(yīng)的頻譜。圖3(c)中,筆者提出的方法能夠?qū)⒎抡嫘盘?hào)中的多分量信號(hào)精確地分解成單一分量信號(hào),每個(gè)單一的IMF分量對(duì)應(yīng)的頻譜沒有出現(xiàn)模態(tài)混疊現(xiàn)象,也沒有冗余的IMF分量。圖3(b)中,使用CEEMDAN方法分解得到的單一IMF分量對(duì)應(yīng)的頻譜出現(xiàn)了模態(tài)混疊現(xiàn)象,而且還存在少量冗余的IMF分量。圖3(a)中,使用傳統(tǒng)的CEEMD方法分解得到的單一IMF分量對(duì)應(yīng)的頻譜出現(xiàn)了嚴(yán)重的模態(tài)混疊現(xiàn)象,存在較多的冗余IMF分量。為了進(jìn)一步定性說明本方法的性能,通過實(shí)驗(yàn)對(duì)比3種方法的重構(gòu)信號(hào)的均方根誤差、IMF分量個(gè)數(shù)、白噪聲的幅值以及各個(gè)相鄰IMF分量之間的LSMI估計(jì)值等評(píng)價(jià)指標(biāo),對(duì)上述算法的性能進(jìn)行分析,結(jié)果如表1所示?梢钥吹:a.筆者提出方法的重構(gòu)均方根誤差為2.510 7×10-4,遠(yuǎn)小于其他兩種方法;b.筆者提出的方法分解獲得了3個(gè)IMF分量,少于CEEMDAN方法獲得的個(gè)數(shù),明顯少于CEEMD方法獲得的個(gè)數(shù);c.筆者提出的方法是在每次IMF分量篩選的過程中添加不同幅值的正負(fù)白噪聲對(duì),與其他兩種方法添加固定幅值白噪聲對(duì)的方式有所不同,不但I(xiàn)MF分量的個(gè)數(shù)最少,而且能夠有效地將各個(gè)單分量信號(hào)從多分量信號(hào)分解出來;d.對(duì)比上述3種方法獲得的IMF分量及其每個(gè)相鄰的IMF分量間的LSMI,筆者提出的方法獲得的每個(gè)相鄰IMF分量的LSMI都小于給定的閥值,而其他兩種方法獲得的每個(gè)相鄰IMF分量的LSMI基本上都大于給定的閥值。因此,可以得出本方法各方面的性能指標(biāo)都優(yōu)于傳統(tǒng)的CEEMD及CEEMDAN方法,也證明了本方法的有效性。
筆者采用美國(guó)凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承故障實(shí)驗(yàn)臺(tái)采集的內(nèi)圈故障振動(dòng)信號(hào)作為分析信號(hào)。采樣頻率為12 kHz,采樣點(diǎn)數(shù)為4 096,電機(jī)轉(zhuǎn)速為1 797r/min。軸承故障采用電火花加工單點(diǎn)損傷,損傷直徑為0.173 4 mm(模擬軸承內(nèi)圈的早期故障,其理論計(jì)算值為162.18 Hz)。按照以上參數(shù)采集相關(guān)的故障振動(dòng)信號(hào)如圖4所示。4.2 故障特征提取
【參考文獻(xiàn)】:
期刊論文
[1]基于獨(dú)立分量分析的EMD模態(tài)混疊消除方法研究[J]. 湯寶平,董紹江,馬靖華. 儀器儀表學(xué)報(bào). 2012(07)
[2]分離EMD中混疊模態(tài)的新方法[J]. 高云超,桑恩方,許繼友. 哈爾濱工程大學(xué)學(xué)報(bào). 2008(09)
本文編號(hào):3261607
【文章來源】:振動(dòng).測(cè)試與診斷. 2020,40(01)北大核心EICSCD
【文章頁(yè)數(shù)】:9 頁(yè)
【部分圖文】:
算法流程圖
圖1 算法流程圖圖3為使用不同方法處理圖1中的仿真信號(hào),獲得相應(yīng)的IMF分量及對(duì)應(yīng)的頻譜。圖3(c)中,筆者提出的方法能夠?qū)⒎抡嫘盘?hào)中的多分量信號(hào)精確地分解成單一分量信號(hào),每個(gè)單一的IMF分量對(duì)應(yīng)的頻譜沒有出現(xiàn)模態(tài)混疊現(xiàn)象,也沒有冗余的IMF分量。圖3(b)中,使用CEEMDAN方法分解得到的單一IMF分量對(duì)應(yīng)的頻譜出現(xiàn)了模態(tài)混疊現(xiàn)象,而且還存在少量冗余的IMF分量。圖3(a)中,使用傳統(tǒng)的CEEMD方法分解得到的單一IMF分量對(duì)應(yīng)的頻譜出現(xiàn)了嚴(yán)重的模態(tài)混疊現(xiàn)象,存在較多的冗余IMF分量。為了進(jìn)一步定性說明本方法的性能,通過實(shí)驗(yàn)對(duì)比3種方法的重構(gòu)信號(hào)的均方根誤差、IMF分量個(gè)數(shù)、白噪聲的幅值以及各個(gè)相鄰IMF分量之間的LSMI估計(jì)值等評(píng)價(jià)指標(biāo),對(duì)上述算法的性能進(jìn)行分析,結(jié)果如表1所示?梢钥吹:a.筆者提出方法的重構(gòu)均方根誤差為2.510 7×10-4,遠(yuǎn)小于其他兩種方法;b.筆者提出的方法分解獲得了3個(gè)IMF分量,少于CEEMDAN方法獲得的個(gè)數(shù),明顯少于CEEMD方法獲得的個(gè)數(shù);c.筆者提出的方法是在每次IMF分量篩選的過程中添加不同幅值的正負(fù)白噪聲對(duì),與其他兩種方法添加固定幅值白噪聲對(duì)的方式有所不同,不但I(xiàn)MF分量的個(gè)數(shù)最少,而且能夠有效地將各個(gè)單分量信號(hào)從多分量信號(hào)分解出來;d.對(duì)比上述3種方法獲得的IMF分量及其每個(gè)相鄰的IMF分量間的LSMI,筆者提出的方法獲得的每個(gè)相鄰IMF分量的LSMI都小于給定的閥值,而其他兩種方法獲得的每個(gè)相鄰IMF分量的LSMI基本上都大于給定的閥值。因此,可以得出本方法各方面的性能指標(biāo)都優(yōu)于傳統(tǒng)的CEEMD及CEEMDAN方法,也證明了本方法的有效性。
筆者采用美國(guó)凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承故障實(shí)驗(yàn)臺(tái)采集的內(nèi)圈故障振動(dòng)信號(hào)作為分析信號(hào)。采樣頻率為12 kHz,采樣點(diǎn)數(shù)為4 096,電機(jī)轉(zhuǎn)速為1 797r/min。軸承故障采用電火花加工單點(diǎn)損傷,損傷直徑為0.173 4 mm(模擬軸承內(nèi)圈的早期故障,其理論計(jì)算值為162.18 Hz)。按照以上參數(shù)采集相關(guān)的故障振動(dòng)信號(hào)如圖4所示。4.2 故障特征提取
【參考文獻(xiàn)】:
期刊論文
[1]基于獨(dú)立分量分析的EMD模態(tài)混疊消除方法研究[J]. 湯寶平,董紹江,馬靖華. 儀器儀表學(xué)報(bào). 2012(07)
[2]分離EMD中混疊模態(tài)的新方法[J]. 高云超,桑恩方,許繼友. 哈爾濱工程大學(xué)學(xué)報(bào). 2008(09)
本文編號(hào):3261607
本文鏈接:http://sikaile.net/kejilunwen/wltx/3261607.html
最近更新
教材專著