基于EEMD的旋轉機械故障特征提取方法

郭洋

摘要：在對旋轉機械核心零部件的有效故障特征信息提取時，EMD方法容易出現模態混疊的問題，本文引入EEMD方法進行算法優化，通過將白噪聲引入到原型號當中補足了缺少的尺度，有效的彌補了EMD的不足之處，從抑制模態混疊發生開始，通過對信號多次添加白噪聲，得出的多組IMF分量，再將其取均值最后得到的IMF為最終分量，把這個IMF定位真實的成分，使它更具有典型的物理意義，從而有效的可消除模態混疊這一影響。

關鍵詞：EEMD ?旋轉機械 ?故障診斷 ?特征提取

0 ?前言

現在幾乎所有的工廠中都在應用旋轉機械來完成各種工作，因此旋轉機械設備的安全和保障問題就變得極為重要。目前旋轉機械故障的檢測主要是基于對其核心部件振動信號的采集和處理分析進行實時監控和保障的。

目前，國內外一些學者基于EMD對旋轉機械故障診斷進行了大量研究[1]。章翔峰利用Vold-Kalman方法對各種轉速下的轉速和嚙合頻率的階比分量進行特征提取，通過計算轉兩種頻率分量的譜峭度，實現對齒輪早期故障的有效診斷[1];向玲利用改進經驗小波分解方法對齒輪故障信號進行分解處理，并利用快速譜峭度對含有豐富故障特征信息分量進行濾波處理，并進行包絡譜分析，實現對齒輪故障的有效診斷。

但上述傳統譜峭度方法的缺陷為：針對復合故障，現有以譜峭度為核心的特征提取方法無法同時分離由軸承和齒輪故障激起的高頻共振帶;如果存在重度高斯和非高斯白噪聲影響，譜峭度無法真實展現故障特征信息。

由于EMD容易出現模態混疊的狀態，為了消除模態混疊這一影響，EEMD[2]便被探索發掘出來了，白噪聲介入到原型號當中補足了缺少的尺度，有效的彌補了EMD的不足之處，從抑制模態混疊發生開始，就對信號多次加入白噪聲，得出的多組IMF分量，再將其取均值最后得到的IMF為最終分量，把這個IMF定位真實的成分，使它更具有典型的物理意義。

本文重點介紹EEMD方法對軸承部件的豐富故障特征信息進行提取研究。通過對比分析仿真和實測齒輪斷齒故障振動信號，結果表明該方法可有效地提取豐富軸承部件的故障特征信息。

2 ?EEMD的算法步驟

大多情況，信號和噪聲組成了所有的被檢測數據，

（2-1）

這里面，定義x（t）是分解所需要的的數據，而真實的信號和一些干擾信號組成了這些數據，它們分別定義為s（t）、n（t）。

先對一個量進行多次實驗并將結果集中起來，為了得到更具有說服力的結果，對這些結果做一個平均處理，把隨機白噪聲加入到x（t）中，從第i次觀測：

（2-2）

1）在x（t）中加入白噪聲，得到了信號 ;

2）由上文提出的方法步驟將 分解;

3）在得到真實信號之前的每一次處理都要加入不同的白噪聲，反復的重復1）和2）;

4）對所得到的結果做一個平均處理：

（2-3）

3 數值仿真算例

3.1仿真信號

將自行設計的仿真信號進行分析：

x（t）=x1（t）+x2（t） ? ? ? ? ? ? ? ?（2-4）

x（t）=10sin（20πt）+10sin（160πt） ? ? ? ? ?（2-5）

在以上公式中x1（t）和x2（t）各自是以20Hz為周期和80Hz為周期的正弦信號。采樣頻率是6000Hz，采樣點數為1000個。

其中原信號x（t），正弦信號x1（t），正弦信號x2（t）在以下的圖例中得以進一步展示。x（t）、x1（t）、x2（t）如圖2.1所示：

從復合信號中分離提取出兩個周期分別是10Hz和80Hz的正弦信號，這就是此次仿真的目標。

3.1基于EEMD的模擬故障信號分析

把得到的仿真復合信號進行EEMD分解，便可以得出由9個模態分量和1個剩余分量組成的分解結果。如圖2.2-2.3所示：

在兩組信號圖中信號相互對比我們可以從中得出一些發現，IMF6和x1（t）幅值形態特征有著很好的相似程度;IMF5和x2（t）時域形態特征同時也是具備著很高的相似程度;也分解出了例如IMF4和IMF3這樣的模態分量，在這兩個分量的波形上可以看出一些峰值和其他更為復雜的信號被清晰的分解出來。

2.4本章小結

本文基于旋轉機械故障信號，利用EEMD對其進行了故障特征提取，通過對仿真信號和實測斷齒故障振動信號分析，得出如下結論：

1）EEMD的分解具備多樣性的特征;

2）EEMD對于多模態信號進行故障診信號的分解時更具有效性;

3）EEMD是EMD的優化算法

參考文獻

[1] 章翔峰， 孫文磊. 譜峭度和Vold-kalman階比跟蹤在風電機組齒輪箱故障診斷中的應用[J]. 機床與液壓， 2018， 46（5）：138-142.

[2] 鄭直， 姜萬錄， 胡浩松，等. 基于 EEMD 形態譜和 KFCM 聚類集成的滾動軸承故障診斷方法研究[J]. 振動工程學報， 2015（2）：324-330.