郭洋

摘要：在對(duì)旋轉(zhuǎn)機(jī)械核心零部件的有效故障特征信息提取時(shí)，EMD方法容易出現(xiàn)模態(tài)混疊的問題，本文引入EEMD方法進(jìn)行算法優(yōu)化，通過將白噪聲引入到原型號(hào)當(dāng)中補(bǔ)足了缺少的尺度，有效的彌補(bǔ)了EMD的不足之處，從抑制模態(tài)混疊發(fā)生開始，通過對(duì)信號(hào)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(gè)IMF定位真實(shí)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(tài)混疊這一影響。

關(guān)鍵詞：EEMD ?旋轉(zhuǎn)機(jī)械 ?故障診斷 ?特征提取

0 ?前言

現(xiàn)在幾乎所有的工廠中都在應(yīng)用旋轉(zhuǎn)機(jī)械來完成各種工作，因此旋轉(zhuǎn)機(jī)械設(shè)備的安全和保障問題就變得極為重要。目前旋轉(zhuǎn)機(jī)械故障的檢測主要是基于對(duì)其核心部件振動(dòng)信號(hào)的采集和處理分析進(jìn)行實(shí)時(shí)監(jiān)控和保障的。

目前，國內(nèi)外一些學(xué)者基于EMD對(duì)旋轉(zhuǎn)機(jī)械故障診斷進(jìn)行了大量研究[1]。章翔峰利用Vold-Kalman方法對(duì)各種轉(zhuǎn)速下的轉(zhuǎn)速和嚙合頻率的階比分量進(jìn)行特征提取，通過計(jì)算轉(zhuǎn)兩種頻率分量的譜峭度，實(shí)現(xiàn)對(duì)齒輪早期故障的有效診斷[1];向玲利用改進(jìn)經(jīng)驗(yàn)小波分解方法對(duì)齒輪故障信號(hào)進(jìn)行分解處理，并利用快速譜峭度對(duì)含有豐富故障特征信息分量進(jìn)行濾波處理，并進(jìn)行包絡(luò)譜分析，實(shí)現(xiàn)對(duì)齒輪故障的有效診斷。

但上述傳統(tǒng)譜峭度方法的缺陷為：針對(duì)復(fù)合故障，現(xiàn)有以譜峭度為核心的特征提取方法無法同時(shí)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(shí)展現(xiàn)故障特征信息。

由于EMD容易出現(xiàn)模態(tài)混疊的狀態(tài)，為了消除模態(tài)混疊這一影響，EEMD[2]便被探索發(fā)掘出來了，白噪聲介入到原型號(hào)當(dāng)中補(bǔ)足了缺少的尺度，有效的彌補(bǔ)了EMD的不足之處，從抑制模態(tài)混疊發(fā)生開始，就對(duì)信號(hào)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(gè)IMF定位真實(shí)的成分，使它更具有典型的物理意義。

本文重點(diǎn)介紹EEMD方法對(duì)軸承部件的豐富故障特征信息進(jìn)行提取研究。通過對(duì)比分析仿真和實(shí)測齒輪斷齒故障振動(dòng)信號(hào)，結(jié)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(hào)和噪聲組成了所有的被檢測數(shù)據(jù)，

（2-1）

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

先對(duì)一個(gè)量進(jìn)行多次實(shí)驗(yàn)并將結(jié)果集中起來，為了得到更具有說服力的結(jié)果，對(duì)這些結(jié)果做一個(gè)平均處理，把隨機(jī)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(hào) ;

2）由上文提出的方法步驟將 分解;

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

4）對(duì)所得到的結(jié)果做一個(gè)平均處理：

（2-3）

3 數(shù)值仿真算例

3.1仿真信號(hào)

將自行設(shè)計(jì)的仿真信號(hào)進(jìn)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(hào)。采樣頻率是6000Hz，采樣點(diǎn)數(shù)為1000個(gè)。

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

從復(fù)合信號(hào)中分離提取出兩個(gè)周期分別是10Hz和80Hz的正弦信號(hào)，這就是此次仿真的目標(biāo)。

3.1基于EEMD的模擬故障信號(hào)分析

把得到的仿真復(fù)合信號(hào)進(jìn)行EEMD分解，便可以得出由9個(gè)模態(tài)分量和1個(gè)剩余分量組成的分解結(jié)果。如圖2.2-2.3所示：

在兩組信號(hào)圖中信號(hào)相互對(duì)比我們可以從中得出一些發(fā)現(xiàn)，IMF6和x1（t）幅值形態(tài)特征有著很好的相似程度;IMF5和x2（t）時(shí)域形態(tài)特征同時(shí)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(tài)分量，在這兩個(gè)分量的波形上可以看出一些峰值和其他更為復(fù)雜的信號(hào)被清晰的分解出來。

2.4本章小結(jié)

本文基于旋轉(zhuǎn)機(jī)械故障信號(hào)，利用EEMD對(duì)其進(jìn)行了故障特征提取，通過對(duì)仿真信號(hào)和實(shí)測斷齒故障振動(dòng)信號(hào)分析，得出如下結(jié)論：

1）EEMD的分解具備多樣性的特征;

2）EEMD對(duì)于多模態(tài)信號(hào)進(jìn)行故障診信號(hào)的分解時(shí)更具有效性;

3）EEMD是EMD的優(yōu)化算法

參考文獻(xiàn)

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

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