一种用于轴承故障诊断的最优噪声参数选择的elmd算法
【专利摘要】本发明涉及机械故障诊断领域，特别是涉及一种用于轴承故障诊断的最优噪声参数选择的ELMD算法。特别是本公开一种用于轴承故障诊断的最优噪声参数选择的总体局部均值分解（Ensemblelocalmeandecomposition，ELMD）方法。本发明为了得到更好的分解效果，在对轴承振动信号进行ELMD分解之前，需要对加入的白噪声参数（白噪声的幅度和加入白噪声次数）进行最优选择，最优噪声参数选择直接关系着ELMD算法的性能优劣。最终实验证明最优噪声参数选择的ELMD算法对故障轴承振动信号能进行准确的处理分析。
【专利说明】一种用于轴承故障诊断的最优噪声参数选择的ELMD算法
[0001]
【技术领域】： 本发明涉及机械故障诊断领域，特别是涉及一种用于轴承故障诊断的最优噪声参数选 择的ELMD算法。
[0002]
【背景技术】： 旋转机械设备产生的振动信号通常携带着大量的设备状态信息，从中提取这些状态信 息的过程，实际上就是对振动信号进行分析与处理的过程。然而，旋转机械振动信号大多 是非平稳、非线性的，对于这类信号主要考虑的应该是其局部特征，因此，以傅里叶变换这 种全局变换为基础的传统频域分析方法显然是不合适的，而基于时频域联合分析的，能够 同时提供信号时频域局部信息的时频分析方法，不失为一种有效的分析手段。近年来出现 了称为局部均值分解（Local mean decomposition，LMD)和总体局部均值分解（Ensemble local mean decomposition，ELMD)等新型时频分析方法。该类方法较其它时频分析方法 具有一定的优越性，然而还不太完善，在其分解结果中会产生模态混叠现象，该现象导致不 能准确的对轴承振动信号进行分析与处理。
[0003] 发明专利（CN103730109A)采用基于Τ'分布的随机噪声代替原始的总体局部均值 分解模型中的高斯白噪声，推导出基于Γ分布的总体局部均值分解模型（TD-ELMD)。发明专 利（CN103245518A)公开了一种基于微分局部均值分解（DLMD)的旋转机械故障诊断方法。 这两个发明专利仅是对ELMD算法的改进；程军圣，张亢和杨宇在《机械工程学报》2011年 47卷第3期上发表的论文《基于噪声辅助分析的总体局部均值分解方法》中提到："本文只 对LMD方法对白噪声的统计特征做了初步的分析，在ELMD方法中添加到目标信号的白噪声 幅值的大小以及平均次数的选择等的具体理论依据，是以后还要继续研究的问题"。纵观现 有专利和论文，在ELMD分解过程中均未考虑最优噪声系数选择的问题。
[0004] 为抑制上述时频分析方法中的模态混叠现象，找到ELMD分解过程中最优噪声参 数选择的具体理论依据而提出了本发明。
[0005]
【发明内容】
： 本发明目的在于提供一种用于轴承故障诊断的最优噪声参数选择的ELMD算法，该算 法 通过寻找最优的噪声参数(幅度為^和加入白噪声次数)，使轴承振动信号ELMD分解 过程中的模态混叠程度降到最低，从而能够更精确的完成轴承的故障诊断。
[0006] 技术解决方案： 本发明是在目标信号中多次添加不同序列的白噪声，然后对添加了白噪声后的信号进 行LMD分解，最后取多次分解结果的平均值作为最终的分解结果。为了使分解结果最优化， 再对加入的白噪声的两个参数：幅度為,/(通过相对均方根误差最大确定）和加入白噪声次 数巧（通过信噪比基本不发生变化处确定）进行最优选择，最终得到最优噪声参数选择的 ELMD算法。
[0007] 优点及效果：本发明为了得到更好的分解效果，在对轴承振动信号进行ELMD分解 之前，需要对加入的白噪声参数（白噪声的幅度為V·和加入白噪声次数巧）进行最优选择， 能有效抑制LMD方法分解结果中的模态混叠现象，并能准确提取轴承振动信号中的故障特 征频率。最优噪声参数选择直接关系着ELMD算法的性能优劣，最终实验证明最优噪声参数 选择的ELMD算法对故障轴承振动信号能进行准确的处理分析。
[0008]
【专利附图】
【附图说明】： 图1为：考虑最优噪声参数选择的ELMD算法原理图； 图2为：基于最优噪声参数选择的ELMD算法的轴承故障诊断流程图； 图3为：相对均方根误差准则（Relative-RSME)与噪声等级i*的关系图； 图4为：信噪比（Signal to Noise Ratio, SNR)与加入白噪声次数巧的关系图； 图5为：原始信号x(t)的时域图和频谱图； 图6为：原始信号％(t)的LMD分解时域波形图； 图7为：原始信号x(t)的LMD分解乘积分量（Product function, PF)频谱图； 图8为：原始信号x(t)未考虑噪声参数选择的ELMD分解时域波形图； 图9为：原始信号40未考虑噪声参数选择的ELMD分解的PF频谱图； 图10为：原始信号x(t)的最优噪声参数选择的ELMD分解时域波形图； 图11为：原始信号x(t)的最优噪声参数选择的ELMD分解频谱图； 图12为：轴承振动信号时域波形图； 图13为：轴承振动信号的最优噪声参数选择的ELMD分解时域波形图； 图14为：轴承振动信号的最优噪声参数选择的ELMD分解频谱图。
[0009]
【具体实施方式】： 参见图1、图2。
[0010] 在ELMD算法中有两个重要参数需要考虑：白噪声的幅度為?和加入白噪声的次数 。用相对均方根误差准则（Relative-RSME)来判定不同噪声幅度下ELMD的分解性能； 用信噪比（SNR)来衡量加入不同噪声次数后，分解结果中残余的噪声。
[0011] 相对均方根误差定义式如下所示：
【权利要求】
1. 一种用于轴承故障诊断的最优噪声参数选择的ELMD算法，其特征在于，ELMD算法的 噪声参数的选择。
2. 如权利要求1所述一种用于轴承故障诊断的最优噪声参数选择的ELMD算法，其特征 在于，ELMD算法中最优噪声参数的选择：1)白噪声幅度的选择，用相对均方根误差准则来 判定不同噪声幅度下ELMD的分解性能；2)白噪声加入次数的选择，借助于信噪比来确定合 适的加入次数，完成轴承的故障诊断。
【文档编号】G06F19/00GK104156580SQ201410376300
【公开日】2014年11月19日 申请日期:2014年8月3日 优先权日:2014年8月3日
【发明者】张超, 郭宇, 高君, 王昱晨 申请人:内蒙古科技大学