[发明专利]基于集合经验模式分解的旋转机械轴心轨迹提纯方法

说明书

技术领域

本发明涉及到旋转机械状态监测和故障诊断技术领域，具体涉及一种旋转机械轴心轨迹提纯方法。 

背景技术

随着旋转机械向着大型、高速和自动化方向的发展，对旋转机械的状态检测和故障诊断提出了更高的要求。轴心轨迹作为转子振动信号的重要图形征兆，包含了大量的故障信息，是判断转子运行状态和故障征兆的重要依据。在工程实际中，由于转子系统出现碰摩、冲击的等激励，转子的阻尼、刚度、弹性力等都发生变化，振动信号呈现出非线性、非平稳特性。同时，由于测试过程中的噪声污染，使原始轴心轨迹形状复杂，难以辨别。所以，迫切需要对原始数据进行过滤处理以对复杂的轴心轨迹进行提纯。 

常规的傅里叶分析难以对轴心轨迹进行提纯。利用小波降噪的原理可对轴心轨迹进行提纯，其基本思想是利用小波变换将原始信号分解到各个频带上，得到不同频带上的时间波形，再选取若干频带重构信号，实现信号的提纯。但是，小波分解一般采用隔点采样的二进方式，会造成数据量的减少和细节信号的丢失，并且小波包分解的结果存在着各频带间能量的交替问题。利用谐波小波良好的盒形频谱特性也可对轴心轨迹进行提纯，但由于采用循环卷积，不可避免的要对谐波小波进行时域截断，对“盒型”频谱造成频谱泄露，提纯后的信号幅值会受到影响。 

经验模式分解(empirical mode decomposition，EMD)可以作为二进滤波器，同时，由于EMD具有良好的保相性，可以利用EMD所得到的IMF做转子轴心轨迹。然而，EMD本身存在一些不足，如模式混叠、端点效应、停止条件等。 模式混叠是指1个IMF中包含差异极大的特征时间尺度，或者相近的特征时间尺度分布在不同的IMF中，导致相邻的2个IMF波形混叠，相互影响，难以辨别。引起模式混叠的原因在于间歇现象(intermittency)，引起间歇现象的往往是异常事件(如间断信号，脉冲干扰和噪声等)。在旋转机械系统中，特别是在即将或已经出现故障时，其振动信号往往存在不同形式的脉冲干扰和噪声。因此，模式混叠现象限制了EMD在提纯轴心轨迹中的应用。 

发明内容

有鉴于此，本发明提出了一种基于集合经验模式分解(EEMD，Ensemble empirical mode decomposition)的旋转机械轴心轨迹提纯方法，可获得清晰的轴心轨迹图，以便于监测旋转机械的运行状态或进行故障诊断。 

本发明的目的是这样实现的，一种基于集合经验模式分解的旋转机械轴心轨迹提纯方法，包括如下步骤： 

1)利用集合经验模式分解，将待分析的振动信号分解为特征时间尺度由小到大排列的多个固有模式函数分量； 

2)根据先验知识从固有模式函数分量中选择相应的固有模式函数分量重构信号； 

3)将固有模式函数分量重构信号组合成提纯轴心轨迹。 

进一步，所述步骤1)具体包括如下步骤： 

11)在原始振动信号x(t)中分别加入N次均值为0，幅值标准差为常数的高斯白噪声n_i(t)，即 

x_i(t)＝x(t)+n_i(t)； 

式中，i＝1～N，x_i(t)为加入高斯白噪声之后的信号； 

12)对x_i(t)分别进行集合经验模式分解，得到K个固有模式函数分量和一个余项r_i(t)： 

xi(t)=Σj=1Kcij(t)+ri(t);]]>

式中，c_ij(t)表示第i次加入高斯白噪声后，分解所得到的第j个固有模式函数分量，j＝1～K；