本发明涉及机械设备故障诊断，特别是涉及流形融合经验模态分解方法。
背景技术：
旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个设备系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求，任意部件的一个细微的损伤或者震荡错位，都有可能影响到整个系统的正常工作，甚至引起重大事故。旋转部件出现故障时，其振动信号中存在瞬态冲击响应成分，对信号中瞬态成分的成功检测是有效进行旋转机械故障诊断的常用手段。但是，由于工作环境的复杂性，旋转机械振动信号往往表现为非平稳性，且含有多种频率成分，包括大量的环境噪声，导致与故障有关的瞬态成分在信号中显得十分微弱，从而给故障诊断带来不便。经验模态分解(emd)方法是一种非平稳信号处理方法，它能自适应地将复杂信号分解为有限个本征模函数(imf)。每个imf都满足两个条件：a)函数在整个时间范围内，局部极值点和过零点的数目相等，或最多相差一个；b)在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)的平均值为零。通过emd方法得到的各imf包含了原信号的不同时间尺度的局部特征信息。由于旋转机械故障所激发的振动瞬态成分符合imf的条件，所以emd在机械振动信号瞬态成分检测中得到了广泛的应用。但是emd方法存在模态混叠问题，即一个时间尺度序列分布在两个imf中，或者一个imf中存在多个时间尺度序列。造成模态混叠现象的主要原因是信号的间断不连续，比如信号当中掺杂了噪声、冲击脉冲以及间歇信号。模态混叠问题导致由emd方法得到的瞬态成分信息不完整或者夹杂着干扰分量，不利于故障的识别。为了解决emd方法存在的模态混叠问题，现有的技术主要是集合经验模态分解(eemd)方法。该方法的原理是在原信号中加入白噪声，利用白噪声频谱的均匀分布特性，使信号在不同时间尺度上都具有连续性，这样对加噪的信号进行emd处理就可以避免模态混叠问题。在信号中加入的噪声会分布在各个imfs中，为了去除这些引入的噪声，eemd采用的方法是多次加噪后分别进行emd处理，然后对多个具有相近频带范围的imfs求取平均，利用噪声的零均值特性去除引入的噪声。eemd的实现步骤为：首先在分析信号中加入均值为0、标准差为σ的随机白噪声；接着对加噪信号进行emd处理，得到一个由n个imfs组成的子信号组；然后重复以上步骤m次，得到m个子信号组；最后求取所有子信号组中具有相近频带范围的imfs的均值，得到n个去除引入噪声的imfs。传统技术存在以下技术问题：eemd方法通过加入白噪声解决模态混叠问题，集合次数m和白噪声的标准差σ是eemd方法需要人为设定的两个参数，不同的参数对信号的分解结果会产生一定的影响。m的取值增加可以减少(但不能完全消除)最终得到的imfs中引入噪声的含量，但是同时也会增加计算量，而且imfs各自频带内的自有噪声，即带内自有噪声，并不能因m的增加而得到消除；σ过小则不能抑制模态混叠问题，过大则不仅会增加分解的imfs数量而增加计算量，而且会造成信号中的高频成分难以分解以及imfs中的引入噪声残余过大的问题。因此，现有的eemd方法主要存在两个问题：a)有限的集合平均不能完全消除各个imf中的引入噪声，更不能消除各个imf中的带内自有噪声；b)引入白噪声的标准差σ难以确定合适的值。技术实现要素：基于此，有必要针对上述技术问题，提供一种流形融合经验模态分解方法，该方法针对eemd方法中有限的集合平均不能有效消除引入噪声和自有噪声的问题，以及引入噪声的标准差难以确定的问题，采用流形学习的方法把包含故障信息的多个具有不同噪声强度的imfs进行融合，从而无需确定引入噪声的标准差，并较好地消除带内的引入噪声和自有噪声，有效检测出信号中的瞬态成分。一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行emd处理，获得一个包含故障信息的imf，即故障模态分量；改变σ的值，重复上述步骤n次，获得n个具有不同噪声强度的故障模态分量，其中，n是正整数；按照给定流形学习方法对所述n个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分，去除没有稳定结构的带内引入噪声和固有噪声，以及因引入噪声强度不当而引起的模态混叠问题带来的非故障成分，实现对信号中故障瞬态成分的有效检测。该技术方法至少具有以下优点：无需确定引入噪声的标准差、没有模态混叠问题、可以去除带内自有噪声、可以获得更高的信噪比等。在另外的一个实施例中，“在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；”中，所述标准差σ是所述分析信号标准差的0.01到1倍。在另外的一个实施例中，“对所述加噪信号进行emd处理，获得一个包含故障信息的imf，即故障模态分量；”所述故障模态分量是从emd处理得到的多个imfs中按照给定故障模态确定方法挑选出来的。在另外的一个实施例中，所述给定故障模态确定方法包括但不限于利用峭度、光滑因子、稀疏值、相关系数、能量以及它们的组合等能够从emd得到的多个imfs中选出所述故障模态分量的方法。在另外的一个实施例中，“按照给定流形学习方法对所述n个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。”中，所述给定流形学习方法包括但不限于局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法或局部保留投影算法。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的方法。附图说明图1为本发明实施例公开的流形融合经验模态分解方法的流程图。图2为本发明实施例提供的轴承声音振动信号的时域波形图。图3为采用eemd方法对图2所述信号进行处理后得到的故障瞬态成分。图4为采用本发明公开的技术对图2所述信号进行处理后得到的故障瞬态成分。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行emd处理，获得一个包含故障信息的imf，即故障模态分量；改变σ的值，重复上述步骤n次，获得n个具有不同噪声强度的故障模态分量，其中，n是正整数；按照给定流形学习方法对所述n个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分，去除没有稳定结构的带内引入噪声和固有噪声，以及因引入噪声强度不当而引起的模态混叠问题带来的非故障成分，实现对信号中故障瞬态成分的有效检测。该技术方法至少具有以下优点：无需确定引入噪声的标准差、没有模态混叠问题、可以去除带内自有噪声、可以获得更高的信噪比等。在另外的一个实施例中，“在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；”中，所述标准差σ是所述分析信号标准差的0.01到1倍。在另外的一个实施例中，“对所述加噪信号进行emd处理，获得一个包含故障信息的imf，即故障模态分量；”所述故障模态分量是从emd处理得到的多个imfs中按照给定故障模态确定方法挑选出来的。在另外的一个实施例中，所述给定故障模态确定方法包括但不限于利用峭度、光滑因子、稀疏值、相关系数、能量以及它们的组合等能够从emd得到的多个imfs中选出所述故障模态分量的方法。在另外的一个实施例中，“按照给定流形学习方法对所述n个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。”中，所述给定流形学习方法包括但不限于局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法或局部保留投影算法。可以理解，所述给定流形学习方法还可以是其它具有维数约简功能的方法。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的方法。下面介绍一个本发明的具体应用场景：由
背景技术：
可知，现有的eemd方法采用集合平均来去除imfs中的引入噪声。但是有限次的集合平均不能完全去除引入噪声，也不能去除带内自有噪声，更不能解决因引入噪声强度不当而引起的模态混叠问题。因此，本发明公开了流形融合经验模态分解方法以及基于该方法的信号瞬态成分检测装置。该方法采用流形学习把具有不同噪声强度的多个故障模态分量进行融合，从中提取信号中的故障瞬态成分。由于流形学习具有优秀的特征挖掘能力，它可以提取故障瞬态成分的固有流形结构，从而去除带内引入噪声、自有噪声以及因引入噪声强度不当而引起的模态混叠问题带来的非故障成分，实现对信号中故障瞬态成分的有效检测。根据上述
发明内容和附图1的流形融合经验模态分解方法以及基于该方法的信号瞬态成分检测装置的流程图，该技术具体包括：步骤101：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；所述σ的取值过大和过小都不能很好地解决emd的模态混叠问题，而且σ的最优值会因为所述分析信号的不同而改变。为了避免讨论σ的最优取值，本发明方法对σ取不同的值，其范围是所述分析信号标准差的0.01到1倍，σ在该范围内均匀取值。步骤102：对加噪信号进行emd处理，获得一个包含故障信息的imf，即故障模态分量；经过emd处理后，故障瞬态成分主要存在于所述故障模态分量中，因此本发明方法仅对所述故障模态分量做进一步的处理。所述故障模态分量是从emd处理得到的多个imfs中按照给定故障模态确定方法挑选出来的。所述给定故障模态确定方法包括但不限于利用峭度、光滑因子、稀疏值、相关系数、能量以及它们的组合等能够从emd得到的多个imfs中选出所述故障模态分量的方法。步骤103：改变σ的值，重复上述步骤n次，获得n个具有不同噪声强度的故障模态分量；由于本发明方法并不是利用统计特性来去除引入噪声，所以所述重复次数n不需要很多。为了减少计算量，一般n的取值为10。步骤104：按照给定流形学习方法对n个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。流形学习是一种维数约简和数据挖掘方法，可用于提取嵌入在高维数据中的内在低维流形结构。所述n个故障模态分量可以组成n维数据。其中，故障瞬态成分存在于每一维数据中，具有稳定的结构，可以看成是n维数据的流形结构，会在流形学习结果中得到保留；而其它的成分，包括引入噪声、自有噪声以及因引入噪声强度不当而引起的模态混叠问题带来的非故障成分，在每一维数据中都不相同，不具有稳定的结构，会在流形学习结果中被剔除。因此，所述高维故障模态分量经过给定流形学习方法进行融合之后，可以得到信噪比高的故障瞬态成分。所述给定流形学习方法包括但不限于局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法、局部保留投影算法等具有维数约简功能的方法。为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明。以轴承早期微弱故障检测为例，该轴承型号为n306e，采用电机驱动轴承内圈转动，转速为1464.6rpm，在轴承附近固定声压传感器来采集轴承的声音振动信号，采样频率为20khz。首先，根据轴承内圈旋转速度和轴承几何尺寸计算得到其主要故障特征周期，结果如表1所示。表1：轴承故障特征周期内圈故障特征周期ti＝0.0068s外圈故障特征周期to＝0.0102s滚动体故障特征周期tb＝0.0085s参考附图2，图2是本发明实施例提供的轴承声音振动信号的时域波形图。从该波形图中可以观察到一些瞬态脉冲成分，但是也有一些瞬态脉冲成分淹没在噪声中难以识别，所以不能从图中找到一个轴承故障特征周期。采用eemd方法对图2所述信号进行处理，引入噪声的标准差取常用经验值，即0.2倍的原信号标准差，集合平均次数为200。图3显示了处理结果中的故障模态分量，即故障瞬态成分。从该图中可以观察到周期性的瞬态脉冲成分，但是各脉冲之间依然存在大量的噪声没有去除，所以得到的故障瞬态成分信噪比不高。采用本发明公开的技术对图2所述信号进行处理，给定故障模态确定方法为各模态分量时域和频域峭度值相结合的方法，给定流形学习方法是局部切空间排列算法。图4给出了处理结果。图中瞬态脉冲之间的噪声几乎被全部清除，使得脉冲的周期性更加明显，通过计算得出脉冲平均间隔为0.0068s，与表1中轴承内圈故障特征周期相同，因此可以认定测试轴承的内圈存在缺陷。事实上，在进行实验之前，测试轴承中已经在内圈人为地设置了一个裂缝缺陷，缺陷宽度为0.5mm。因此利用本发明公开的技术可以准确地从轴承含噪声音振动信号中检测出轴承故障瞬态成分。综上所述，通过对轴承声音振动信号引入不同强度的噪声，然后分别进行emd处理，最后采用流形学习对得到的高维故障模态分量进行融合，可以去除故障模态分量中的各种噪声成分，从而有效检测出轴承故障瞬态成分。该方法克服了现有eemd技术难以确定引入噪声强度和难以去除带内自有噪声的问题，可以提取被噪声淹没的瞬态成分，对强噪声背景下的信号瞬态成分检测具有重要意义。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。当前第1页12