[发明专利]一种基于EEMD‑CWD的设备振动信号特征提取方法

说明书

技术领域

本发明属于设备维修领域，尤其涉及一种基于EEMD-CWD的设备振动信号特征提取方法。

背景技术

设备振动信息特征提取是从设备原始信号中提取出有用信息的过程，目的是提取出能够反映设备健康状态信息的特征值。因此，设备振动信号特征的提取，对于监测设备是否健康工作有着重要意义。关于设备振动信息特征提取方法有很多，但都或多或少存在着一些问题。

现有技术一：

近年来，希尔伯特黄变换(Hilbert-Huang Transform,HHT)在信号特征提取领域得到了广泛的应用。HHT主要内容包含两部分，第一部分为经验模态分解(Empirical Mode Decomposition，EMD)；第二部分为Hilbert谱分析(Hilbert Spectrum Analysis，HSA)。基本过程是：首先利用EMD方法将采集的信号分解为若干本征模态函数(Intrinsic Mode Function，IMF)，IMF分量含有原始信号的重要特征；然后，对每一个IMF进行Hilbert变换，得到相应的Hilbert谱，即将每个IMF表示在联合的时频域中；最后，汇总所有IMF的Hilbert谱就会得到信号的Hilbert谱，实现了信号特征的提取。

现有技术一存在不足：

1.采用的EMD方法本身有二进滤波器组的特征，但由于其常常会导致模态混叠问题，使得上述特征被破坏，导致IMF不能满足完全正交；

2.HHT存在端点效应的问题，使分解过程引入新的误差。

现有技术二：

为了解决振动信号的时频处理问题，研究人员们先后提出了许多时频能量的分布形式，例如Kirkood分布、Page分布和Wigner-Ville分布(WVD)。Cohen给出了时频分布的统一形式，统称为科恩类(Cohen类)，并建立了各时频分布间的联系，由统一公式表达。当Cohen类核函数为指数型时，公式为乔-威廉姆斯分布(Choi-Williams Distribution，CWD)。CWD方法是典型的时频分析方法，它可以在一定程度上抑制交叉干扰项影响。

现有技术二的不足：

对于频率成分比较丰富的设备振动信号来说，其振动信号的时域和频域特征变化过程较为复杂，而CWD方法在对全域的时频域信号进行分析过程中，计算量大，核函数选择困难，导致其方法不够灵活；如果CWD方法对短时信号进行分析，其对信号交叉项的抑制能力受核函数本身结构影响，导致其抑制效果大大减弱。

发明内容

本发明的目的是：本发明提供一种基于EEMD-CWD的设备振动信号特征提取方法，通过引进集成经验模态分解法(Ensemble empirical mode decomposition，EEMD)并结合CWD分析方法，解决上述现有技术存在的模态混叠和抑制效果不明显等问题。

本发明的技术方案是：一种基于EEMD-CWD的设备振动信号特征提取方法，包括以下步骤：

步骤1：采集设备振动信号；

步骤2：对设备振动信号进行EEMD分解，得到一组IMF分量；

步骤3：依据峭度准则，对IMF分量实施优选；

步骤4：通过CWD分析来提取设备的故障特征信息。

更进一步地，所述步骤2，包括以下步骤：

步骤2.1：在采集的原始振动信号x(t)中引入随机高斯白噪声序列x_m(t)＝x(t)+k·n_m(t)，k为加入的白噪声幅值系数；

步骤2.2：计算加入白噪声的振动信号x(t)所有的极大值与极小值点；

步骤2.3：根据上述极大值和极小值点，通过三次样条插值方法，逐个出构造x(t)上、下包络线u(t)和v(t)；

步骤2.4：根据m(t)＝(u(t)+v(t))/2求解该信号的局部均值；

步骤2.5：根据h(t)＝x(t)-m(t)计算h(t)，判断h(t)是否满足成为IMF分量的基本条件，如果满足，则得到第一个IMF分量c₁(t)，否则重复上述步骤2.1-2.4，直到满足IMF分量条件；

步骤2.6：使用x(t)减c₁(t)得到r(t)，判断r(t)是否需要进一步分解，如需要分解则用r(t)替代x(t)，继续重复步骤2.1-2.5，否则分解过程结束；

步骤2.7：每一次加入互不相同的白噪声序列，然后重复步骤2.1-2.6；