流形融合经验模态分解方法技术

本发明专利技术涉及一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分。

【技术实现步骤摘要】
流形融合经验模态分解方法
本专利技术涉及机械设备故障诊断，特别是涉及流形融合经验模态分解方法。
技术介绍
旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个设备系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求，任意部件的一个细微的损伤或者震荡错位，都有可能影响到整个系统的正常工作，甚至引起重大事故。旋转部件出现故障时，其振动信号中存在瞬态冲击响应成分，对信号中瞬态成分的成功检测是有效进行旋转机械故障诊断的常用手段。但是，由于工作环境的复杂性，旋转机械振动信号往往表现为非平稳性，且含有多种频率成分，包括大量的环境噪声，导致与故障有关的瞬态成分在信号中显得十分微弱，从而给故障诊断带来不便。经验模态分解(EMD)方法是一种非平稳信号处理方法，它能自适应地将复杂信号分解为有限个本征模函数(IMF)。每个IMF都满足两个条件：a)函数在整个时间范围内，局部极值点和过零点的数目相等，或最多相差一个；b)在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)的平均值为零。通过EMD方法得到的各IMF包含了原信号的不同时间尺度的局部特征信息。由于旋转机械故障所激发的振动瞬态成分符合IMF的条件，所以EMD在机械振动信号瞬态成分检测中得到了广泛的应用。但是EMD方法存在模态混叠问题，即一个时间尺度序列分布在两个IMF中，或者一个IMF中存在多个时间尺度序列。造成模态混叠现象的主要原因是信号的间断不连续，比如信号当中掺杂了噪声、冲击脉冲以及间歇信号。模态混叠问题导致由EMD方法得到的瞬态成分信息不完整或者夹杂着干扰分量，不利于故障的识别。为了解决EMD方法存在的模态混叠问题，现有的技术主要是集合经验模态分解(EEMD)方法。该方法的原理是在原信号中加入白噪声，利用白噪声频谱的均匀分布特性，使信号在不同时间尺度上都具有连续性，这样对加噪的信号进行EMD处理就可以避免模态混叠问题。在信号中加入的噪声会分布在各个IMFs中，为了去除这些引入的噪声，EEMD采用的方法是多次加噪后分别进行EMD处理，然后对多个具有相近频带范围的IMFs求取平均，利用噪声的零均值特性去除引入的噪声。EEMD的实现步骤为：首先在分析信号中加入均值为0、标准差为σ的随机白噪声；接着对加噪信号进行EMD处理，得到一个由n个IMFs组成的子信号组；然后重复以上步骤M次，得到M个子信号组；最后求取所有子信号组中具有相近频带范围的IMFs的均值，得到n个去除引入噪声的IMFs。传统技术存在以下技术问题：EEMD方法通过加入白噪声解决模态混叠问题，集合次数M和白噪声的标准差σ是EEMD方法需要人为设定的两个参数，不同的参数对信号的分解结果会产生一定的影响。M的取值增加可以减少(但不能完全消除)最终得到的IMFs中引入噪声的含量，但是同时也会增加计算量，而且IMFs各自频带内的自有噪声，即带内自有噪声，并不能因M的增加而得到消除；σ过小则不能抑制模态混叠问题，过大则不仅会增加分解的IMFs数量而增加计算量，而且会造成信号中的高频成分难以分解以及IMFs中的引入噪声残余过大的问题。因此，现有的EEMD方法主要存在两个问题：a)有限的集合平均不能完全消除各个IMF中的引入噪声，更不能消除各个IMF中的带内自有噪声；b)引入白噪声的标准差σ难以确定合适的值。
技术实现思路
基于此，有必要针对上述技术问题，提供一种流形融合经验模态分解方法，该方法针对EEMD方法中有限的集合平均不能有效消除引入噪声和自有噪声的问题，以及引入噪声的标准差难以确定的问题，采用流形学习的方法把包含故障信息的多个具有不同噪声强度的IMFs进行融合，从而无需确定引入噪声的标准差，并较好地消除带内的引入噪声和自有噪声，有效检测出信号中的瞬态成分。一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分，去除没有稳定结构的带内引入噪声和固有噪声，以及因引入噪声强度不当而引起的模态混叠问题带来的非故障成分，实现对信号中故障瞬态成分的有效检测。该技术方法至少具有以下优点：无需确定引入噪声的标准差、没有模态混叠问题、可以去除带内自有噪声、可以获得更高的信噪比等。在另外的一个实施例中，“在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；”中，所述标准差σ是所述分析信号标准差的0.01到1倍。在另外的一个实施例中，“对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；”所述故障模态分量是从EMD处理得到的多个IMFs中按照给定故障模态确定方法挑选出来的。在另外的一个实施例中，所述给定故障模态确定方法包括但不限于利用峭度、光滑因子、稀疏值、相关系数、能量以及它们的组合等能够从EMD得到的多个IMFs中选出所述故障模态分量的方法。在另外的一个实施例中，“按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。”中，所述给定流形学习方法包括但不限于局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法或局部保留投影算法。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的方法。附图说明图1为本专利技术实施例公开的流形融合经验模态分解方法的流程图。图2为本专利技术实施例提供的轴承声音振动信号的时域波形图。图3为采用EEMD方法对图2所述信号进行处理后得到的故障瞬态成分。图4为采用本专利技术公开的技术对图2所述信号进行处理后得到的故障瞬态成分。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分，去除没有稳定结构的带内引入噪声和固有噪声，以及因引入噪声本文档来自技高网...

【技术保护点】
1.一种流形融合经验模态分解方法，其特征在于，包括：在所述分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。

【技术特征摘要】
1.一种流形融合经验模态分解方法，其特征在于，包括：在所述分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。2.根据权利要求1所述的流形融合经验模态分解方法，其特征在于，“在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；”中，所述标准差σ是所述分析信号标准差的0.01到1倍。3.根据权利要求1所述的流形融合经验模态分解方法，其特征在于，“对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；”所述故障模态分量是从EMD处理得到的多个IMFs中按照给定故障模态确定方法挑选出来的。4.根据权利要求3所述的流形融合经验模态分解方法，其...

【专利技术属性】
技术研发人员：王俊，杜贵府，朱忠奎，沈长青，陈郝勤，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32