[发明专利]基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法

说明书

本发明涉及自适应噪声的完备经验模态分解CEEMDAN和固定点算法FastICA技术领域，公开了一种基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法。具体过程如下：通过放置在机电设备上的传感器采集设备振动信号作为原始数据样本；根据采集数据样本，利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数IMF，将其作为观测信号X(t)；再通过FastICA算法得出源信号估计S(t)；再利用ICA逆变换得出新的IMF，将IMF直接累加达到所需重构信号；利用深度学习网络模型分类识别，实现对轴承状态的诊断。通过本发明的技术方案，使得信号提取效果显著提升，识别准确率明显提高。

技术领域

本发明属于机电故障信号处理技术领域，特别是涉及一种基于CEEMDAN和FastICA的信号除噪在矿场机械使用轴承的故障诊断方法。

背景技术

矿场机电设备大都为大型机械设备，且由于矿场周遭环境复杂，机械大多露天工作，采矿现场常常收到各种干扰，采矿期间石块等容易进入机械内部，导致振动发生异常，产生机械故障。轴承作为机械设备中的重要部件，往往是大部分故障的原因所在，对轴承故障诊断是诊断机械设备的重心之一。当下多采取人工定期巡检和人工经验评估，故障后修复等措施对机械设备进行预警，维修工作，但容易发生错过最佳维修时间，实时性差，维修代价大等问题，一旦大型机械出现故障，可能会带来财产损失和人员伤亡事件等严重后果。而轴承运作产生的特定振动信号能体现丰富的机械状态信息，故对振动故障信号的初期处理非常重要。

发明内容

本发明针对现有技术存在的问题，提出了一种基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法。

本设计充分考虑了传感器采集振动数据样本的特征信息，仔细了解CEEMDAN和FastICA的信号除噪的优势，为后续深度学习网络提供更加清晰的原信号，有助于更好的优化模型。提高诊断精确度和效率。

本发明解决其技术问题所采用的技术方案是：一种基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法，包括以下步骤：

步骤一，通过传感器采集的振动数据，利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数 IMF，将其作为观测信号 X(t)。

步骤二，通过FastICA算法对分解得到的本征函数去噪处理，再利用ICA逆变换得出新IMF’。

步骤三，并将新IMF’直接累加还原得到重构信号，提取特征向量,利用LLE降维。

步骤四，将特征向量作为深度学习网络的输入，输出得到诊断结果。

在步骤一中，包括如下步骤：

先进行第一阶模态分量的求解，将服从标准正态分布的正负对高斯白噪声添加到原始数据信号中，取m为系数，ε为幅值，ni(t)为第i次添加的白噪声序列，i为辅噪声次数，即有：

其中

2.对得到的新信号进行EMD分解，得到多个IMF分量；

3.通过对多个IMF求均值，得到第一阶最终分量以及第一阶剩余分量r1(t);

分解式为：

其中第一阶最终分解分量为：=

第一阶剩余分量为：

再求解第二阶模态分量，将正负高斯白噪声添加到第一阶剩余分量r1(t)中，对构成的新信号进行N次分解，得第二阶分量及剩余分量r2(t);

分解式为：

+=

其中第二阶最终分解分量为：

=

第二阶剩余分量为：

5.重复步骤直到剩余信号不可分，此时原始信号表示成：