[发明专利]自适应总体平均经验模式分解EEMD协助噪声大小确定方法

说明书

技术领域

本发明涉及一种自适应总体平均经验模式分解EEMD协助噪声大小确定方法，属于机械设备故障诊断领域，可以自适应地选择EEMD方法中协助噪声幅值大小最优值，实现机械设备早期故障的有效诊断。

背景技术

随着现代工业和科学技术的飞速发展，工业已成为衡量一个国家科学技术发展的标准。机械设备是工业发展的载体，为工业发展提供关键技术，在国民经济中发挥着越来越重要的作用。同时，机电设备也越来越朝着大型化、复杂化、精密化发展，设备的功能越来越多，性能指标越来越高，其组成与结构越来越复杂，这样势必会使得故障出现的概率大大增加。

由于机电设备工况的复杂多样化，机械故障也越来越复杂，设备的故障特征往往是非平稳、非线性的，传统的机械设备故障诊断方法往往只能针对平稳信号才能得到较好的分解结果，对非平稳、非线性信号束手无策。经验模式分解EMD是针对非线性、非平稳信号而提出的一种基于信号局部极值点的处理方法。但是当信号极值点分布不均时，EMD分解结果往往出现模式混淆现象，在其基础上提出了总体平均经验模式分解EEMD，如公开日为2011年11月23日，公开号为CN102254103A的中国专利中，公开了一种自适应总体平均经验模式分解EEMD筛选次数确定方法，以及公开日为2011年11月23日，公开号为CN102254103A的中国专利中，公开了一种自适应总体平均经验模式分解EEMD筛选次数确定方法。通过对信号加入高斯白噪声，改善信号极值点分布，减少模式混淆不足，已被成功应用于转子、齿轮、轴承等旋转机械故障诊断中。

然而，EEMD分解结果较大程度的依赖于高斯白噪声幅值大小，目前，噪声幅值大小较大程度的依赖于人为选择。为了减少参数人为选择导致的分解结果盲目性，从极值点角度出发，考虑加入噪声后信号的极值点分布情况，在不改变原始信号极值点分布的情况下，最大程度的改善信号极值点，使其分布最为均匀。考虑到当加入的高斯白噪声幅值较大时，噪声振动剧烈，破坏了信号高频成分的极值点分布，EEMD分解结果会产生多余成分，出现模式混淆；当加入的高斯白噪声幅值较小时，噪声振动微弱，无法改善信号低频成分的极值点分布，EEMD分解结果与EMD类似，无法克服模式混淆不足。因此，加入的噪声大小应在未破坏原始信号高频成分极值点分布特性基础上尽可能改善低频成分极值点分布。

发明内容

本发明的目的在于克服现有技术中存在的上述不足，而提供一种减少了参数人为选择带来盲目性的自适应总体平均经验模式分解EEMD协助噪声大小确定方法。

本发明解决上述问题所采用的技术方案是：该自适应总体平均经验模式分解EEMD协助噪声大小确定方法，其特征在于：包括如下步骤：

(1)初始化噪声加入最大值e_max及网格数N，每个网格i(i＝1,2…N)对应噪声大小为e_i＝i/N*e_max；

(2)对信号x(t)依次加入幅值大小为e_i的高斯白噪声n_i(t)，得到x_i(t)＝x(t)+n_i(t)；

其中n_i(t)＝e_i*m_i(t)，m_i(t)是均值为0，且标准差为1的高斯白噪声序列；

(3)求取信号x_i(t)的极大值点所在位置Max(j)、极小值点所在位置Min(k)，得到新序列a_i(j)＝Max(j+1)-Max(j)，b_i(j)＝Min(k+1)-Min(k)；计算新序列a_i、b_i的标准差Sa_i、Sb_i，得到构造信号x_i(t)的噪声分布特性得到Q_i与e_i的对应曲线关系；

(4)根据Q_i与e_i的对应曲线关系，Q_i随e_i迅速下降的点对应的e_r，即为自适应总体平均经验模式分解EEMD协助噪声大小的最优值。

作为优选，本发明所述步骤(4)中：