CN110346143B - 超高频噪声辅助经验模态分解方法 - Google Patents

超高频噪声辅助经验模态分解方法 Download PDF

Info

Publication number
CN110346143B
CN110346143B CN201910720365.4A CN201910720365A CN110346143B CN 110346143 B CN110346143 B CN 110346143B CN 201910720365 A CN201910720365 A CN 201910720365A CN 110346143 B CN110346143 B CN 110346143B
Authority
CN
China
Prior art keywords
noise
signal
frequency
imfs
ultrahigh frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910720365.4A
Other languages
English (en)
Other versions
CN110346143A (zh
Inventor
王俊
胡丽敏
朱忠奎
缪燕瑾
吴英浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ktk Locomotive & Rolling Stock Co ltd
Original Assignee
Jiangsu Ktk Locomotive & Rolling Stock Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Ktk Locomotive & Rolling Stock Co ltd filed Critical Jiangsu Ktk Locomotive & Rolling Stock Co ltd
Priority to CN201910720365.4A priority Critical patent/CN110346143B/zh
Publication of CN110346143A publication Critical patent/CN110346143A/zh
Application granted granted Critical
Publication of CN110346143B publication Critical patent/CN110346143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • G01M13/04Bearings
    • G01M13/045Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及机械故障诊断技术领域,尤其涉及一种超高频噪声辅助经验模态分解方法,通过一次性加入超高频噪声后进行EMD处理,利用超高频噪声极值点多的特点增加IMF提取时的筛选次数,从而分离频谱邻近的多个瞬态成分。由于UNEMD只有一次EMD分解,所以计算量较小;由于加入的是超高频噪声,所以所得IMFs中不含残余噪声。

Description

超高频噪声辅助经验模态分解方法
技术领域
本发明涉及机械故障诊断技术领域,尤其涉及一种超高频噪声辅助经验模态分解方法。
背景技术
滚动轴承是旋转机械设备的常用部件,也是易损部件。滚动轴承发生故障后如果任其发展,将会损坏相连的其他部件,甚至是整个机械系统,最后可能会给生产或生活造成巨大的经济损失和恶劣的社会影响。因此,对滚动轴承的状态监测和故障诊断具有重要意义。滚动轴承发生故障后,滚子在旋转时会对故障部位进行周期性地碰撞,这种周期性的信号会对机械系统的共振频率进行调制,在振动时域信号中表现为周期性的瞬态成分,在振动信号的频谱中表现为间隔等距的共振频带。然而,滚动轴承的工作环境往往比较复杂,测得的振动信号中包含了相连部件的振动成分和大量的环境噪声,使得轴承故障瞬态成分在振动信号中表现得较为微弱,从而影响了轴承故障的准确识别。
经验模态分解(EMD)是一种非平稳信号分解方法,能够把复杂的信号分解为有限个本征模态函数(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。由于轴承振动信号包含了多种非平稳成分,且故障瞬态成分也符合IMF的条件,所以EMD在轴承故障瞬态成分检测中得到了广泛的应用。但是故障瞬态成分是一种间歇信号,会使EMD的分解结果产生模态混叠问题,即分解得到的故障瞬态成分中含有其他分量,或者故障瞬态成分分布在多个IMF中。其中前者会干扰故障瞬态成分的识别。
集合经验模态分解(EEMD)方法就是为了解决EMD方法存在的模态混叠问题而提出的。该方法的原理是在原信号中加入与信号同频率范围的白噪声,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处理就可以缓解模态混叠问题。为了去除加入的噪声,需要多次向原始信号中加入噪声并进行EMD处理,然后分别对对应的IMFs求取平均,利用噪声的随机特性去除残余噪声。加入噪声的次数,即集合次数越多,最终获得的IMFs中的残余噪声越少。
EEMD方法通过加入与信号同频率范围的白噪声解决模态混叠问题,需要增加集合次数来减少残余噪声,从而增加了计算量。要完全去除加入的噪声,需要无穷多的集合次数。此外,当信号中包含频谱邻近的多个瞬态成分时,EEMD不能将其分解开来。因此,现有的EEMD方法至少存在如下问题:
a)计算量大;
b)残余噪声不能通过有限的集合平均次数完全消除;
c)对频谱邻近的多个瞬态成分的分离能力差。
发明内容
本发明旨在解决上述缺陷,提供一种超高频噪声辅助经验模态分解方法,该方法针对EEMD方法中存在的计算量大、有残余噪声和对多个瞬态成分分离能力差的问题,通过一次性加入超高频噪声后进行EMD处理,利用超高频噪声极值点多的特点增加IMF提取时的筛选次数,从而分离频谱邻近的多个瞬态成分。由于UNEMD只有一次EMD分解,所以计算量较小;由于加入的是超高频噪声,所以所得IMFs中不含残余噪声。
为了克服背景技术中存在的缺陷,本发明解决其技术问题所采用的技术方案是:这种超高频噪声辅助经验模态分解方法,该方法包括:
步骤1:对分析信号进行过采样,得到过采样信号,其采样频率f sn 是原信号采样频率f s N (N>1)倍;
步骤2:随机生成均值为0、标准差为原信号标准差M倍的白噪声,其数据点数与过采样信号的数据点数相同;
步骤3:滤除白噪声的低频成分,截止频率f cuth 大于f s /2,得到超高频噪声;
步骤4:把超高频噪声加入过采样信号中,然后进行EMD处理,得到K个IMFs;
步骤5:对K个IMFs进行低通滤波,截止频率f cutl 满足f s /2<f cutl <f cuth ,得到滤波后的IMFs;
步骤6:对滤波后的IMFs进行欠采样,得到最终的IMFs,其采样频率为f s
本发明的有益效果是:这种超高频噪声辅助经验模态分解方法只向信号中加入一次噪声、只进行一次EMD分解,因此计算量比EEMD小;加入的噪声为超高频噪声,其极值点多,可以增加提取IMF时的筛选次数,从而分离出频谱邻近的多个瞬态成分;超高频噪声的频谱范围和信号所在的频谱范围不一样,可以很容易通过低通滤波器从信号中分离,所以最终的IMFs中没有残余噪声。
至少具有以下优点:计算量较小、无残余噪声、对频谱邻近的多个瞬态成分的分离能力强等。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的超高频噪声辅助经验模态分解方法的流程图;
图2为本发明实施例提供的轴承振动信号的时域波形图和功率谱图;
图3为采用EEMD方法对图2所述信号进行处理后得到的前两个IMFs的时域波形图和功率谱图;
图4为采用本发明公开的技术对图2所述信号进行处理后得到的前三个IMFs的时域波形图和功率谱图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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发明,并不用于限定本发明。
现有的EEMD方法向信号中多次加入最高频率,为信号最高频率的白噪声,采用集合平均来去除IMFs中的残余噪声。集合次数越多,计算量越大,且有限次的集合平均不能完全去除残余噪声,也不能解决频谱邻近的多个瞬态成分的分离问题。
因此,本发明公开了一种超高频噪声辅助经验模态分解方法,该方法向信号中加入最高频率远高于信号频率的噪声,利用超高频噪声极值点多的特点,增加IMFs提取中的筛选次数,从而增强对频谱邻近的多个瞬态成分的分离能力;同时,该方法还具有计算时间少、加入噪声易滤除的优点。
根据上述发明内容和附图1的一种超高频辅助经验模态分解方法,该技术具体包括:
步骤1:对分析信号进行过采样,得到过采样信号,其采样频率f sn 是原信号采样频率f s N (N>1)倍;
对信号进行过采样,提高信号的采样频率,才能把超高频噪声加入信号当中。
步骤2:随机生成均值为0、标准差为原信号标准差M倍的白噪声,其数据点数与过采样信号的数据点数相同;
所述白噪声的采样频率即为过采样信号的采样频率;M的取值极小。
步骤3:滤除白噪声的低频成分,截止频率f cuth 大于f s /2,得到超高频噪声;
把所述白噪声的低频成分滤除,避免混入信号中难以去除。
步骤4:把超高频噪声加入过采样信号中,然后进行EMD处理,得到K个IMFs;
由于瞬态成分的频率较高,主要存在于前几个IMFs中,所以进行EMD分解时,模态个数K值不必过大。
步骤5:对K个IMFs进行低通滤波,截止频率f cutl 满足f s /2<f cutl <f cuth ,得到滤波后的IMFs;
把加入的超高频噪声滤除,避免欠采样时产生虚假频率。
步骤6:对滤波后的IMFs进行欠采样,得到最终的IMFs,其采样频率为f s
最终的IMFs中的前几个IMFs中包含有故障瞬态成分,通过计算瞬态脉冲的周期可以判断轴承的故障类型。
为了更加清楚地了解本发明的技术方案及其效果,下面结合一个具体的实施例进行详细说明:
以轴承早期微弱故障检测为例,该轴承是型号为6205-2RS JEM SKF的深沟球轴承,采用电机驱动轴承内圈转动,转速为1748 rpm,在轴承内圈设置直径为0.178 mm、深度为0.279 mm的单点故障,在轴承座上安装加速度传感器来采集轴承的振动信号,采样频率为12 kHz。
首先,根据轴承内圈旋转速度和轴承几何尺寸计算得到其主要故障特征周期,结果如表1所示。
Figure 713691DEST_PATH_IMAGE001
参考附图2,图2是本发明实施例提供的轴承振动信号的时域波形图和功率谱图。从波形图中可以观察到一些瞬态脉冲成分,也存在很多的噪声。从功率谱图中可以观察到三个能量集中区域,这三个区域可能都是瞬态成分。
采用EEMD方法对图2所述信号进行处理,引入噪声的标准差取常用经验值,即0.2倍的原信号标准差,集合平均次数为200,计算时间为14.17 s。图3显示了处理结果中的前两个IMFs的时域波形图和功率谱图。从功率谱图中可以看出,EEMD方法没有把原信号三个主要的能量集中区域完全分离,高频处的两个区域都分解在第一个IMF中。
采用本发明公开的技术对图2所述信号进行处理,引入的噪声的标准差是原信号标准差的0.01倍,噪声的最高频率是原信号最高频率的8倍,最低频率是采样频率的四分之一,计算时间为1.96 s,远小于EEMD的计算时间。图4给出了处理结果中的前三个IMFs的时域波形图和功率谱图。从图中可以看出,原信号中的三个主要能量集中区域被分解到三个不同的IMFs中,其中第一个IMF的时域波形图的瞬态脉冲非常明显,脉冲之间的噪声被完全清除,使得脉冲的周期性更加明显,通过计算得出脉冲平均间隔为0.0063s,与表1中轴承内圈故障特征周期相同,可以认定测试轴承的内圈存在缺陷。从此例可以看出,利用本发明公开的技术可以分离出频率邻近的两个瞬态成分,且计算时间短,第一个瞬态成分的信噪比高,可以准确地判断轴承的故障特征周期。
综上所述,通过向轴承振动信号引入超高频噪声,然后进行EMD分解,最后滤除超高频噪声,可以有效分离频率邻近的多个瞬态成分,去除瞬态脉冲之间的噪声,从而有效检测出轴承故障。该方法克服了现有EEMD技术计算时间长、存在残余噪声和难以分离频率邻近的多个瞬态成分的问题,可以提取被其它瞬态成分淹没的故障瞬态成分,对多共振调制下的信号瞬态成分检测具有重要意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明。对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽范围。

Claims (1)

1.一种超高频噪声辅助经验模态分解方法,其特征在于,该方法包括:
步骤1:对分析信号进行过采样,得到过采样信号,其采样频率f sn 是分析信号采样频率f s N倍,其中N>1;
步骤2:随机生成均值为0、标准差为分析信号标准差M倍的白噪声,其数据点数与过采样信号的数据点数相同;
步骤3:滤除白噪声的低频成分,截止频率f cuth 大于f s /2,得到超高频噪声;
步骤4:把超高频噪声加入过采样信号中,然后进行EMD处理,得到K个IMFs;
步骤5:对K个IMFs进行低通滤波,截止频率f cutl 满足f s /2<f cutl <f cuth ,得到滤波后的IMFs;
步骤6:对滤波后的IMFs进行欠采样,得到最终的IMFs,其采样频率为f s
CN201910720365.4A 2019-08-06 2019-08-06 超高频噪声辅助经验模态分解方法 Active CN110346143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910720365.4A CN110346143B (zh) 2019-08-06 2019-08-06 超高频噪声辅助经验模态分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910720365.4A CN110346143B (zh) 2019-08-06 2019-08-06 超高频噪声辅助经验模态分解方法

Publications (2)

Publication Number Publication Date
CN110346143A CN110346143A (zh) 2019-10-18
CN110346143B true CN110346143B (zh) 2021-02-09

Family

ID=68183974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910720365.4A Active CN110346143B (zh) 2019-08-06 2019-08-06 超高频噪声辅助经验模态分解方法

Country Status (1)

Country Link
CN (1) CN110346143B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941298B2 (en) * 2006-09-07 2011-05-10 DynaDx Corporation Noise-assisted data analysis method, system and program product therefor
CN102937668A (zh) * 2012-11-08 2013-02-20 电子科技大学 一种电力系统低频振荡检测方法
CN105335605A (zh) * 2015-09-29 2016-02-17 北京工业大学 一种基于经验模态的钟差去噪方法
CN105930818A (zh) * 2016-05-03 2016-09-07 合肥工业大学 一种提升emd去噪能力的数据处理方法
CN106895975A (zh) * 2017-01-17 2017-06-27 苏州大学 基于Stacked SAE深度神经网络的轴承故障诊断方法
CN107179486A (zh) * 2017-05-24 2017-09-19 长沙理工大学 一种gis设备在线监测特高频信号降噪方法
CN107870005A (zh) * 2016-09-27 2018-04-03 重庆邮电大学 过采样下经验模态分解的归一化随机共振微弱信号检测
CN108564046A (zh) * 2018-04-19 2018-09-21 南京大学 基于改进eemd的钢结构动态应变信号处理方法
CN108827634A (zh) * 2018-06-25 2018-11-16 苏州大学 流形融合经验模态分解方法
US10361680B2 (en) * 2016-11-17 2019-07-23 Hwashen Electronics Co., Ltd. Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060046135A1 (en) * 2004-08-27 2006-03-02 Weiwei Huang Alkaline battery with MnO2/NiOOH active material
CN101882964B (zh) * 2010-06-12 2013-02-13 百色美联天衡地质探测雷达制造有限责任公司 瞬变电磁探测回波信号的降噪方法
US20140302349A1 (en) * 2013-04-03 2014-10-09 The Gillette Company Electrochemical cell including an integrated circuit
WO2017205382A1 (en) * 2016-05-23 2017-11-30 The University Of New Hampshire Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs)
CN106597162A (zh) * 2016-12-15 2017-04-26 中国电力科学研究院 一种基于经验模态分解提升低压互感器射频识别标签可靠性的方法
CN107908812A (zh) * 2017-10-10 2018-04-13 电子科技大学 一种基于hht和神经网络的气阀故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941298B2 (en) * 2006-09-07 2011-05-10 DynaDx Corporation Noise-assisted data analysis method, system and program product therefor
CN102937668A (zh) * 2012-11-08 2013-02-20 电子科技大学 一种电力系统低频振荡检测方法
CN105335605A (zh) * 2015-09-29 2016-02-17 北京工业大学 一种基于经验模态的钟差去噪方法
CN105930818A (zh) * 2016-05-03 2016-09-07 合肥工业大学 一种提升emd去噪能力的数据处理方法
CN107870005A (zh) * 2016-09-27 2018-04-03 重庆邮电大学 过采样下经验模态分解的归一化随机共振微弱信号检测
US10361680B2 (en) * 2016-11-17 2019-07-23 Hwashen Electronics Co., Ltd. Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method
CN106895975A (zh) * 2017-01-17 2017-06-27 苏州大学 基于Stacked SAE深度神经网络的轴承故障诊断方法
CN107179486A (zh) * 2017-05-24 2017-09-19 长沙理工大学 一种gis设备在线监测特高频信号降噪方法
CN108564046A (zh) * 2018-04-19 2018-09-21 南京大学 基于改进eemd的钢结构动态应变信号处理方法
CN108827634A (zh) * 2018-06-25 2018-11-16 苏州大学 流形融合经验模态分解方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Instantaneous Frequency Optimization Strategy for Bearing Fault Diagnosis under Varying Speed Conditions";Wenjun Guo,Xingxing Jiang,Juanjuan Shi,Jun Wang,Zhongkui Zhu;《2019 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC) 》;20190801;全文 *
"Noise-Assisted EMD Methods in Action";Marcelo A. Colominas,Gastón Schlotthauer,María E. Torre;《Advances in Adaptive Data Analysis》;20121001;全文 *

Also Published As

Publication number Publication date
CN110346143A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN109682601B (zh) 一种变转速工况下滚动轴承的早期故障识别方法
CN107505135B (zh) 一种滚动轴承复合故障提取方法及系统
CN109883702B (zh) 一种基于时频域统计特征的电机轴承故障诊断方法
EP2693176B1 (fr) Procédé de détection de défauts d&#39;un roulement par analyse vibratoire
Guo et al. Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition
CN108151869B (zh) 一种机械振动特征指标提取方法、系统及装置
EP3732457B1 (fr) Procédé et dispositif de surveillance d&#39;un roulement équipant un dispositif tournant
CN109724802B (zh) 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法
CN111238812B (zh) 一种滚动轴承保持架故障的自诊断方法
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
CN111929074A (zh) 车辆机械旋转部件故障诊断方法及装置
WO2019197771A1 (fr) Procédé et dispositif de surveillance d&#39;une machine tournante
JP7083293B2 (ja) 状態監視方法および状態監視装置
CN116519301A (zh) 一种基于时频包络谱峰值分析的轴承故障诊断方法及系统
Berntsen et al. Enhanced demodulation band selection based on Operational Modal Analysis (OMA) for bearing diagnostics
CN110346143B (zh) 超高频噪声辅助经验模态分解方法
JP6483972B2 (ja) 信号処理方法及び信号処理装置
CN112597969A (zh) 一种滚动轴承故障诊断方法、系统及介质
CN115014765B (zh) 一种通过声信号提取滚动轴承保持架故障特征的方法
CN113029566A (zh) 基于改进eemd与med的滚动轴承故障声发射特征提取方法
CN108549086B (zh) 激光多普勒信号滤波带自适应选择及测试方法
CN107436244B (zh) 基于频率分段振动数据采集的设备故障报警方法
Zhao et al. Fault diagnosis of rolling element bearings based on cascaded combination top-hat product filter and Teager energy spectrum
Randall et al. Alternatives to kurtosis as an indicator of rolling element bearing faults

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant