由于標(biāo)準(zhǔn)的互補集總經(jīng)驗?zāi)B(tài)分解（complementary ensemble empirical mode decomposition,簡稱CEEMD）在處理模態(tài)混疊問題時缺乏自適應(yīng)性,其本質(zhì)是分解信號獲得的本征模態(tài)函數(shù)（intrinsic mode function,簡稱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的真實成分。因此,提出了在使用CEEMD分解信號的過程中嵌入網(wǎng)格搜索算法（grid search algorithm,簡稱GSA）,以最小二乘互信息（least squares mutual information,簡稱LSMI）為網(wǎng)格搜索算法的適應(yīng)度函數(shù),構(gòu)造一個自適應(yīng)CEEMD方法。該算法通過自適應(yīng)地搜索最佳的白噪聲幅值,修正信號分解過程中產(chǎn)生的少量的耦合頻率成分,確保每個IMF分量之間信息的正交性,以進一步抑制模態(tài)混疊問題。最后,通過仿真實驗驗證了該方法的有效性,并將該方法用于提取滾動軸承微故障的特征頻率。實驗結(jié)果表明,該算法在滾動軸承的微故障特征提取應(yīng)用中具有更少的迭代數(shù)、IMF分量以及相對更小的計算量。 

【文章來源】：振動.測試與診斷. 2020,40(01)北大核心EICSCD

【文章頁數(shù)】：9 頁

【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，獲得相應(yīng)的IMF分量及對應(yīng)的頻譜。圖3(c)中，筆者提出的方法能夠?qū)⒎抡嫘盘栔械亩喾至啃盘柧_地分解成單一分量信號，每個單一的IMF分量對應(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。為了進一步定性說明本方法的性能，通過實驗對比3種方法的重構(gòu)信號的均方根誤差、IMF分量個數(shù)、白噪聲的幅值以及各個相鄰IMF分量之間的LSMI估計值等評價指標(biāo)，對上述算法的性能進行分析，結(jié)果如表1所示。可以看到: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IMF分量，少于CEEMDAN方法獲得的個數(shù)，明顯少于CEEMD方法獲得的個數(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，與其他兩種方法添加固定幅值白噪聲對的方式有所不同，不但IMF分量的個數(shù)最少，而且能夠有效地將各個單分量信號從多分量信號分解出來;d．對比上述3種方法獲得的IMF分量及其每個相鄰的IMF分量間的LSMI，筆者提出的方法獲得的每個相鄰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。

筆者采用美國凱斯西儲大學(xué)滾動軸承故障實驗臺采集的內(nèi)圈故障振動信號作為分析信號。采樣頻率為12 kHz，采樣點數(shù)為4 096，電機轉(zhuǎn)速為1 797r/min。軸承故障采用電火花加工單點損傷，損傷直徑為0.173 4 mm(模擬軸承內(nèi)圈的早期故障，其理論計算值為162.18 Hz)。按照以上參數(shù)采集相關(guān)的故障振動信號如圖4所示。4.2 故障特征提取

【參考文獻】：
期刊論文
[1]基于獨立分量分析的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. 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. 2008(09)



本文編號：3261607