基于CEEMD 的數控機床噪音信號處理方法研究

郭雙雙，田軍委*，張 震，孫光宇

（西安工業大學 機電工程學院，陜西 西安 710021）

引言

在機電設備故障診斷領域，通過對噪聲信號進行采集分析，用以實現設備運行狀態的判定，是一個比較熱門的研究方向，由于噪聲信號中包含了很多難以通過傳統機械和電氣信號獲取的特征信息，降低了故障診斷的準確性[1]，因此需要對噪聲信號進行降噪處理，為后續進行更加精準的故障診斷工作打下基礎。

目前關于噪聲信號的研究對象比較分散，侯一民[2]等提出基于EEMD 與Fast-ICA 相結合的單通道機械噪聲信號盲源分離方法。高磊磊[3]等利用小波包將某工程機械的噪聲信號通過灰色關聯理論進行灰色關聯分析，識別出噪聲源。梁勝杰等[4]人使用主成分分析法將實驗所得的殼體噪聲數據進行降維處理。葉朋[5]等為解決信號噪聲消除問題，設計了一種基于改進LMS算法的自適應噪聲對消系統。王火平[6]等通過引入噪聲矢量數據場體系，完成了船舶的噪聲數據分析方法優化。

文章通過對比小波包分解等四種方法的去噪效果圖和去噪評價指標，驗證了本研究提出的互補集合經驗模態分解去噪方法的優越性。

1 噪音信號去噪

經驗模態分解（Empirical Mode Decomposition，EMD）是1988 年Huang 等首次提出的一種處理信號的方法，理論上EMD 可將任何類型的信號分為多個本征模態函數和一個殘差分量，但是EMD 在分解信號的過程中容易出現模態混疊。在EMD 的基礎上添加白噪聲信號，即集合經驗模態分解(Ensemble Empirical Mode Decomposition,EEMD)，可有效抑制模態混疊，由于白噪聲影響原始信號的重構，研究人員[7]提出互補集合經驗模態分解方法（Complementary Ensemble Empirical Mode Decomposition，CEEMD），CEEMD 引入高斯正負白噪聲，更好的消除因添加白噪聲而導致的重構誤差問題。CEEMD 算法分解步驟如下：

（1） 向原始信號中加入p 對正負白噪聲組成的輔助白噪聲[5]，生成兩組IMF 集合：

其中，S 為原信號；P 為輔助白噪聲；M1、M2分別是加入正負白噪聲后的信號，由此可以得到2p 組IMF集合。

（2） 對每個信號都進行EMD 分解，每個信號都可以得到一組IMF，將第i 個信號的第j 個IMF 分量記作cij。

（3）將得到的2n 組IMF 進行平均，得到最終的IMF 分量：

與EMD 相同，原始信號的最高頻和噪聲最多的部分位于IMF1中。該算法需要添加兩個參數：輔助白噪聲幅值k 和對數N，一般當N 取100 時，k 取0.01～0.10。

針對去噪處理后的數控機床噪音信號，其去噪效果通過信噪比和均方誤差兩個評價指標進行衡量。

（1） 信號噪聲比SNR。根據SNR 的定義可知其為原始信號和噪聲能量之間的比值。計算公式為：

（2） 均方誤差MSE。MSE 是指原始信號與去噪重構信號的均方誤差，MSE 越小，其去噪效果越好。計算公式為：

2 數據采集實驗

數控機床數據采集系統的硬件決定著系統運行的穩定性，是數控機床數據采集系統的基礎，硬件部分可分為兩部分：一是上位機，采用1 臺筆記本電腦處理采集到的數據；二是數據采集部分，它由振動傳感器、噪音傳感器和溫度傳感器及采集后用到的數個數據處理模塊組成。數據采集系統的組成框圖見圖1。

圖1 數據采集系統組成框圖

2.1 數據采集系統

數據采集系統的框圖如圖1 所示，主要組成部分包括振動傳感器、溫度傳感器和噪音傳感器、STM32H743 主控制器、電流轉電壓模塊、UART 轉RS232 模塊和RS232 轉USB 模塊。數控機床本體機械部件的狀態信息可以通過在機床Y 軸部署傳感器，搭建完備的采集系統進行數據采集，組成完成后的數據采集系統見圖2。

圖2 數據集采集系統

2.2 上位機軟件

上位機軟件通過python 軟件利用python 語言編寫，實現了單片機和上位機軟件串口通信，振動數據、溫度數據和噪聲數據的顯示和存儲測。如圖3 所示上位機界面。

圖3 上位機軟件

2.3 實驗平臺搭建

文章使用TAKANG VMC-760 數控機床開展數據采集實驗，通過噪音傳感器測量Y軸電機運行過程中的噪音信號，由數據采集系統上傳給上位機，并對噪音信號進行去噪處理分析，數據采集實驗過程見圖4。

圖4 數據采集實驗過程

3 實驗結果分析

通過上文所示的數據采集系統采集到的噪音數據所生成的噪音信號見圖5。本研究通過小波包分解去噪、EMD 去噪等四種去噪方法分別對噪音信號進行去噪處理，并通過計算去噪信號的信噪比和均方誤差，選取最優的去噪方法。

3.1 噪音信號去噪處理

由圖5 的噪聲幅值譜可發現信號的低頻部分的分量比較多，說明噪聲信號在低頻部分信號所包含的外部噪聲較多，為更加精準的對數控機床進行故障診斷，對該噪音信號進行去噪處理。

圖5 噪音信號與頻譜圖

3.2 噪音信號處理結果分析

本研究首先對采集到的噪聲信號根據其包絡譜特征對其進行工頻濾除，由于包絡譜在時間為0 處有振幅，見圖6，分析發現此現象產生的原始是工頻造成的。我國的工頻頻率為50 Hz，所以通過設計一個50 Hz 的帶通濾波器濾除該噪音信號的工頻，去除工頻后的噪音信號見圖7。

圖6 噪音信號包絡譜

圖7 去除工頻后噪音信號

通過Matlab 對生成的信號分別使用小波包分解、EMD、EEMD 和CEEMD 四種去噪方法，去噪的效果對比圖見圖8，計算的評價指標見表1。

圖8 噪音信號去噪效果對比

通過對以上噪音信號的去噪圖對比，并結合表1可得：CEEMD 的去噪效果最好，SNR 最高為15.008 7，MSE 最小為0.029 569，因此選擇CEEMD 作為噪音信號的去噪方法。

表1 噪音信號去噪評價指標

4 結論

本研究通過小波包分解去噪、EMD 去噪等四種方法分別對噪音信號進行去噪處理，四種去噪方法均對噪音信號有一定程度的去噪效果，最終結合其去噪效果圖和去噪評價指標可知：CEEMD 的信噪比較高、均方誤差較小，因此該方法具有較優的去噪效果。