一种基于排列熵的自适应噪声完备集合经验模式分解方法技术

本发明专利技术公开了一种基于排列熵的自适应噪声完备集合经验模式分解方法，搭建机械轴承数据采集平台，利用加速度传感器采集轴承故障振动信号x(t)；在CEEMDAN对轴承故障振动信号分解过程中嵌入排列熵阈值检测，分离出间歇和噪声信号，对剩余信号直接进行经验模式分解(EMD)，不仅减少伪信号的产生、克服模态混淆现象，且提升了故障检测的效果。且提升了故障检测的效果。且提升了故障检测的效果。

【技术实现步骤摘要】
一种基于排列熵的自适应噪声完备集合经验模式分解方法


[0001]本专利技术涉及机械轴承故障诊断
，特别涉及一种基于排列熵的自适应噪声完备集合经验模式分解方法。

技术介绍

[0002]滚动轴承是旋转机械中的关键组成部分之一，轴承一旦发生故障，对机械系统的性能和稳定性就有一定的影响，严重的轴承故障甚至会引起安全事故的发生。针对滚动轴承的故障检测一直是热点问题。当滚动轴承发生故障时，其转动发出的振动信号具有非线性和非平稳特点，能够对旋转设备的运行状态进行有效反映。因此实现对振动信号的有效检测极其重要。
[0003]自适应噪声完备集合经验模式分解(CEEMDAN)是一种处理非线性和非平稳性信号较好的方法。相比于传统的分解方法，它能够通过加入自适应噪声来辅助信号的分解，使信号分解更加完备的同时，模态混淆现象和重构误差也减少。正因为这一优势，许多研究使用CEEMDAN方法对械振动信号进行分解。
[0004]但是，CEEMDAN只是在一定程度上有效抑制模态混淆现象且会产生过多的伪信号，这使得CEEMDAN的分解效果并不理想。在实际应用中，通常调节CEEMDAN中的噪声幅度和噪声次数这两个参数，来克服这一缺点，但该方法分解结果中仍存在模态混淆和产生过多伪分量问题，严重影响了模式分解的性能，进而导致故障检测的效率大大降低，因为它需要实施大量的试验。

技术实现思路

[0005]本专利技术旨在至少一定程度上解决上述技术中的技术问题之一。为此，本专利技术的目的在于提出一种基于排列熵的自适应噪声完备集合经验模式分解方法，根据排列熵的性质，通过克服自适应噪声完备集合经验模式分解中模态混淆和过多伪分量的缺陷，从而提高对滚动轴承故障信号检测的效率。
[0006]为达到上述目的，本专利技术实施例提出了一种基于排列熵的自适应噪声完备集合经验模式分解方法，包括：
[0007]S1、搭建机械轴承数据采集平台，利用加速度传感器采集轴承故障振动信号x(t)，记r0(t)＝x(t)；
[0008]S2、将所述故障振动信号添加不同幅值的白噪声，得到第一加噪信号r
0i
(t)；r
0i
(t)＝r0(t)+ε0w
(i)
(t)，其中，w
(i)
(t)为白噪声；ε0为噪声的幅值；i＝1,2...I，I为添加白噪声的次数；
[0009]S3、对所述第一加噪信号r
0i
(t)分别进行经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值，得到所述故障振动信号r0(t)的第一阶模式分量IMF1(t)及残余信号r
m
(t)，在m＝1时，记r1(t)＝r0(t)
‑
IMF1(t)；
[0010]S4对所述残余信号r
m
(t)进行加噪处理，得到第二加噪信号r
mi
(t)；r
mi
(t)＝r
m
(t)+
ε
m
w
(i)
(t)，其中，ε
m
为第m次加噪的幅值；对所述第二加噪信号r
mi
(t)分别进行经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值，得所述故障振动信号r0(t)的第m+1阶模式分量IMF
m+1
(t)及残余信号r
m+1
(t)＝r
m
(t)
‑
IMF
m+1
(t)；
[0011]S5、计算所述故障振动信号r0(t)的第m+1阶模式分量IMF
m+1
(t)的排列熵值，在确定所述排列熵值小于阈值θ时，则对所述残余信号r
m
(t)直接进行经验模式分解，得到剩余模式分量，否则，令m＝m+1，转步骤S4。
[0012]根据本专利技术的一些实施例，在步骤S3中，进行经验模式分解的方法包括：
[0013]S31、确定所述轴承故障振动信号x(t)所有的上下极值点，并用三次样条连接，形成上下包络线；
[0014]S32、对所述上下包络线做整体平均运算，得到均值m1(t)，所述轴承故障振动信号与均值之差为h1(t)＝x(t)
‑
m1(t)；
[0015]S33、判断h1(t)是否满足IMF筛选的两个条件，若h1(t)符合筛选条件，则h1(t)就是IMF的一个组成部分，记c1(t)＝h1(t)；若不符合条件，则将h1(t)作为新数据重新输入执行步骤S31
‑
S32，重复以上步骤k次，得到式子：h
k
(t)＝h
k
‑1(t)
‑
m
k
(t),；其中m
k
(t)表示第k次计算形式得到的均值；
[0016]S34、从所述轴承故障振动信号x(t)中减去c1(t)得到r1(t)＝x(t)
‑
c1(t),并将r1(t)视为新的x(t),循环上述步骤n次，当残差r
n
(t)＝x(t)
‑
c
n
(t)为一个单调函数时，循环结束。
[0017]根据本专利技术的一些实施例，在步骤S5中，对IMF分量计算排列熵值的方法，包括：
[0018]S51、考虑特定IMF分量，本质上IMF作为一个时间序列{x(i),i＝1,2,...,N}，长度为N，对其进行相空间重构，得到矩阵：
[0019][0020]其中，m是嵌入维数，τ是时间延迟；
[0021]矩阵中每行看作一个重构分量，对每个重构分量进行升序排序，
[0022]对重构矩阵中任一重构分量都可得到一组位置索引序列：L(j)＝(i1,i2,...i
m
),j＝1,2,3,...,k，k≤m！；
[0023]计算每一个位置索引序列出现的概率p1,p2,...,p
k
，IMF分量的排列熵值E为：
[0024]根据本专利技术的一些实施例，对第j个重构分量进行升序排序，包括：
[0025]第j个重构分量：X(j)＝{x(j),x(j+τ),...,x(j+(m
‑
1)τ)}
[0026]升序排序后得到：x(j+(i1‑
1)τ)≤x(j+(i2‑
1)τ)≤...≤x(j+(i
m
‑
1)τ)
[0027]其中，i1,i2,...,i
m
为重构分量中每个元素所在列的索引。
[0028]根据本专利技术的一些实施例，所述阈值θ设置为0.55。
[0029]根据本专利技术的一些实施例，所述轴承安装在电机转轴的一侧，所述加速度传感器设置在所述轴承上。
[0030]根据本专利技术的一些实施例，在利用加速度传感器采集轴承故障振动信号x(t)前，还包括：
[0031]利用电火花技术在轴承表面进行单点故障加工，故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于排列熵的自适应噪声完备集合经验模式分解方法，其特征在于，包括：S1、搭建机械轴承数据采集平台，利用加速度传感器采集轴承故障振动信号x(t)，记r0(t)＝x(t)；S2、将所述故障振动信号添加不同幅值的白噪声，得到第一加噪信号r
0i
(t)；r
0i
(t)＝r0(t)+ε0w
(i)
(t)，其中，w
(i)
(t)为白噪声；ε0为噪声的幅值；i＝1,2...I，I为添加白噪声的次数；S3、对所述第一加噪信号r
0i
(t)分别进行经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值，得到所述故障振动信号r0(t)的第一阶模式分量IMF1(t)及残余信号r
m
(t)，在m＝1时，记r1(t)＝r0(t)
‑
IMF1(t)；S4对所述残余信号r
m
(t)进行加噪处理，得到第二加噪信号r
mi
(t)；r
mi
(t)＝r
m
(t)+ε
m
w
(i)
(t)，其中，ε
m
为第m次加噪的幅值；对所述第二加噪信号r
mi
(t)分别进行经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值，得所述故障振动信号r0(t)的第m+1阶模式分量IMF
m+1
(t)及残余信号r
m+1
(t)＝r
m
(t)
‑
IMF
m+1
(t)；S5、计算所述故障振动信号r0(t)的第m+1阶模式分量IMF
m+1
(t)的排列熵值，在确定所述排列熵值小于阈值θ时，则对所述残余信号r
m
(t)直接进行经验模式分解，得到剩余模式分量，否则，令m＝m+1，转步骤S4。2.如权利要求1所述的基于排列熵的自适应噪声完备集合经验模式分解方法，其特征在于，在步骤S3中，进行经验模式分解的方法包括：S31、确定所述轴承故障振动信号x(t)所有的上下极值点，并用三次样条连接，形成上下包络线；S32、对所述上下包络线做整体平均运算，得到均值m1(t)，所述轴承故障振动信号与均值之差为h1(t)＝x(t)
‑
m1(t)；S33、判断h1(t)是否满足IMF筛选的两个条件，若h1(t)符合筛选条件，则h1(t)就是IMF的一个组成部分，记c1(t)＝h1(t)；若不符合条件，则将h1(t)作为新数据重新输入执行步骤S31
‑
S32，重复以上步骤k次，得到式子：h
k
(t)＝h
k
‑1(t)
‑
m
k
(t),；其中m
k
(t)表示第k次计算形式得到的均值；S34、从所述轴承故障振动信号x(t)中减去c1(t)得到r1(t)＝x(t)
‑
c1(t),并将r1(t)视为新的x(t),循环上述步骤n次，当残差r
n
(t)＝x(t)
‑
c
n
(t)为一个单调函数时，循环结束。3.如权利要求1所述的基于排列熵的自适应噪声完备集合经验模式分解方法，其特征在于，在步骤S5中，对IMF分量计算...

【专利技术属性】
技术研发人员：花小朋，邱林江，徐森，
申请(专利权)人：盐城工学院技术转移中心有限公司，
类型：发明
国别省市：