基于EEMD和小波包变换的早期故障敏感特征提取方法

摘要

本发明涉及一种基于EEMD和小波包变换的早期故障敏感特征提取方法，其包括以下步骤：1）将采集到的机电设备原始振动信号进行EEMD分解，并加入白噪声，分解得到IMF分量；2）选择与故障密切相关的敏感IMF分量，忽略其它不相关的IMF分量；3）对经步骤2）选择的敏感IMF分量进行正交小波包分解，得到各个节点的小波系数；4）对获得的小波包系数采用Hilbert变换和傅里叶变换提取其包络，并计算其功率谱，获得各个节点小波包系数所对应的功率谱作为早期故障的敏感特征，实现敏感特征的自动获取。本发明能实现自适应信号分解，便于实现敏感特征的自动化获取，提高诊断精度和速度，实现机电系统的快准稳诊断。本发明可以广泛在机电设备故障诊断领域中应用。

主权项

1.一种基于EEMD和小波包变换的早期故障敏感特征提取方法，其包括以下步骤：1）将采集到的机电设备原始振动信号y(t)进行EEMD分解，并加入白噪声，分解得到IMF分量c_j(t)；2）选择与故障密切相关的敏感IMF分量c_j(t)，忽略其它不相关的IMF分量，采用将IMF分量和原始振动信号y(t)之间的相关系数作为判断指标，选择与故障密切相关的敏感IMF分量的步骤如下：①将步骤1）中得到的所有IMF分量和原始振动信号y(t)进行归一化处理，得到原始振动信号归一化处理后的信号X_i，归一化处理后的IMF分量值X_i′，原始振动信号归一化处理后的均值和归一化化处理后得到的IMF分量的均值②计算归一化处理后的所有IMF分量与原始振动信号y(t)的相关系数μ_i，i＝1，2,...,n：${\mu }_i=\frac{\underset{i=1}{\overset{M}{\Sigma }}(X_i-\bar{X})(X_i^{\prime }-\overline{X^{\prime }})}{\sqrt{\underset{i=1}{\overset{M}{\Sigma }}{(X_i-\bar{X})}^2}\sqrt{\underset{i=1}{\overset{M}{\Sigma }}{(X_i^{\prime }-\overline{X^{\prime }})}^2}};$式中，M为振动信号的采样点数；③当相关系数μ_i≥λ时，保留第i个IMF分量c_i(t)；当μ_i≤λ，剔除第i个IMF分量c_i(t)，并且令r_n＝r_n+c_i，其中r_n是分解余项，n表示余项阶数；λ为一个固定阈值，取最大相关系数的一个比值：λ＝max(μ_i)/η,i＝1,2,...,n；式中，η是一个大于1.0的比例系数，取η＝10.0；3）对经步骤2）选择的敏感IMF分量进行正交小波包分解，得到各个节点的小波系数；4）对获得的小波包系数采用Hilbert变换和傅里叶变换提取其包络，并计算其功率谱，获得各个节点小波包系数所对应的功率谱作为早期故障的敏感特征，实现敏感特征的自动获取。