[发明专利]一种基于CEEMDAN的滚动轴承振动信号分解方法

说明书

一种基于CEEMDAN的滚动轴承振动信号分解方法，解决了现有基于CEEMDAN的振动信号分解会产生虚假模式分量及剩余噪声的问题，属于信号与信息处理领域。本发明首先获取振动信号的原始数据，并根据原始数据采用CEEMDAN分解，获取一系列频段从高到低的本征模式分量，然后将本征模式分量按照阶数从高到底，依次进行重构，并对重构后的本征模式分量进行傅里叶变换，以获取本征模式分量的频谱，然后对频谱进行概率密度函数拟合，最终，采用模糊熵度量概率密度函数波形的相似性，实现自适应地将本征模式分量的频率特征进行归类，有效提取轴承的振动特性。

技术领域

本发明涉及一种滚动轴承振动信号分解方法，属于信号与信息处理领域。

背景技术

滚动轴承广泛应用在机械驱动系统中。滚动轴承的损坏会导致机械系统的失效，严重情况下可造成人身伤害。为此，采取有效的轴承故障分析方法，对于保证系统的正常运行及人身安全具有重要意义。在时频分析当中，小波变换可代表振动信号的时频分布特性，并能提取故障特征。然而，由于小波变换的基函数难以选取，限制了其在轴承故障诊断领域中的应用。后来，提出了经验模态分解(EMD)方法，EMD是一种基于数据本身的自适应分解方法，可将信号分解为一系列频率从高到低的本征模式分量(IMFs)，并且在故障诊断中得到了广泛应用。由于EMD停止准则限制，致使在分解的IMF中发生模式混叠，为了抑制此现象发生，提出了基于自适应噪声的集成经验模态分解(CEEMDAN)，CEEMDAN是一种基于噪声辅助分析的方法，其能在一定程度上抑制模式混叠问题。当从包含复杂频率成分的滚动轴承故障信号中，提取滚动轴承的特征频率时，由于传统的CEEMDAN分解振动时，出现虚假频率成分，以及由于添加的白噪声和信号相互作用，将在分解的IMFs包含噪声。此种虚假的IMFs及包含噪声的IMFs，如直接进行包络解调分析，会严重影响滚动轴承的故障特征提取。

发明内容

针对现有基于CEEMDAN的振动信号分解会产生虚假模式分量及剩余噪声的问题，本发明提供一种基于CEEMDAN的滚动轴承振动信号分解方法。

本发明的一种基于CEEMDAN的滚动轴承振动信号分解方法，其特征在于，所述方法包括：

S1、获取滚动轴承的振动数据的原始信号，利用CEEMDAN对原始信号进行经验模态分解，获得频段由高到低的多个本征模式分量IMF_i(t)；

S2、将本征模式分量IMF_i(t)转换成联合模式分量CMF_j(t)；

S3、对联合模式分量CMF_j(t)进行傅里叶变换，获得频谱FFT(CMF_j(t))，对频谱FFT(CMF_j(t))进行概率密度函数拟合，获得概率密度PDF(FFT(CMF_j(t)))；

S4、获取每个概率密度PDF(FFT(CMF_j(t)))的模糊熵值，获取相邻的两个模糊熵值的额差值D_q；

S5、寻找D_q的局部极大值及其对应的索引数k₁,k₂,…,k_n，n表示局部极大值的数量；

S6、以局部极大值为分界点，将局部极大值对应索引数形成索引区间，并按照索引区间中每个索引数对应的本征模式分量IMF_i(t)，进行重构，获得联合模式分量m＝1,2…n。

作为优选，所述S6中，索引区间包括：

[1,k₁+1],[k₁+2,k₂+1],......,[k_n-1+2,k_n+1]。

作为优选，所述S6中，联合模式分量为：