机械早期及复合故障的集成噪声重构经验模式分解方法

摘要

本发明公开了一种机械早期及复合故障的集成噪声重构经验模式分解方法，它首先对信号中的噪声分量进行估算和重采样，并重构若干输入信号。利用噪声极值点的变化来改善信号不连续问题，为避免模式混淆的信号分解提供前提。然后，对这些重构输入信号进行经验模式分解(EMD)得到相应的基本模式分量(IMF)。最后，利用随机序列统计均值为零的原理，将所有对应的IMF做总体平均运算，消除信号中噪声分量的影响，从而达到信号降噪与特征增强的目的。本发明非常适合于信噪比相对较低的机械早期及复合故障信号处理及特征提取，识别精度高，运算实时性好，简单易行，便于工程实践中使用。

主权项

1.一种机械早期及复合故障的集成噪声重构经验模式分解方法，其特征在于，包括如下步骤： 1）对所采集到的原始信号x(t)中的噪声分量进行估算：a.首先对x(t)进行EMD分解，得到各IMF分量{c_k(t),k＝1,…，n}和残差分量r_n(t)，其中，k代表IMF个数； b.计算各个{c_k(t)}的能量{E_k,k＝1,…n}，设定第一个IMF分量c₁(t)为纯白噪声，即c₁(t)中的纯白噪声能量c.根据纯白噪声下IMF能量公式，分别计算各个{c_k(t)}得到各IMF在置信区间95%的纯白噪声能量和置信区间99%下的纯白噪声能量d.将各IMF的能量{E_k}与相应的纯白噪声能量对比：若或或其中α∈[1,2]，为一个给定容差值，则将c_k(t)作为待处理的含噪IMF；否则，c_k(t)作为估算的故障特征分量；e.将以上待处理的含噪IMF组成{c_l(t),l＝1,…}； f.对待处理的含噪IMF分量{c_l(t),l＝1,…}进行如下反硬阈值处理得到提纯噪声分量其中，为c_l(t)阈值处理后的第i个样本，且阈值门限其中，N为c_l(t)的长度，C为常数且C∈[0.3,0.5]；g.合并所有提纯噪声分量得到信号x(t)中估算噪声分量2）通过标准均匀分布下的随机重排采样点方式对估算噪声分量进行重采样得到然后重构相应的输入信号3）对进行EMD分解得到IMF分量{c_j,k(t),k＝1,…,n}及残差分量{r_j,n(t)}；4）重复步骤2）和步骤3）直至满足以下运算停止准则： a.假设进行了m次EMD运算，则得到平均运算后的IMF分量和残差分量如下： 并重构得到降噪信号b.计算得到平均运算后的噪声分量及其能量c.根据IMF噪声估算方法获得估算噪声分量的能量d.计算相对噪声误差比若得到的相对噪声误差比例er小于给定的误差允许值ε，则停止运算，否则重复运算直至满足该误差，其中ε∈[0.01,0.1]； 5）当满足停止准则时，对步骤3）中计算得到的所有IMF分量进行平均运算处理，得到最终平均IMF分量和平均残差分量： 从和中提取早期及复合故障特征。