基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法

本发明属于机电故障信号处理技术领域，特别是涉及一种基于ceemdan和fastica的信号除噪在矿场机械使用轴承的故障诊断方法。

背景技术：

矿场机电设备大都为大型机械设备，且由于矿场周遭环境复杂，机械大多露天工作，采矿现场常常收到各种干扰，采矿期间石块等容易进入机械内部，导致振动发生异常，产生机械故障。轴承作为机械设备中的重要部件，往往是大部分故障的原因所在，对轴承故障诊断是诊断机械设备的重心之一。当下多采取人工定期巡检和人工经验评估，故障后修复等措施对机械设备进行预警，维修工作，但容易发生错过最佳维修时间，实时性差，维修代价大等问题，一旦大型机械出现故障，可能会带来财产损失和人员伤亡事件等严重后果。而轴承运作产生的特定振动信号能体现丰富的机械状态信息，故对振动故障信号的初期处理非常重要。

技术实现要素：

本发明针对现有技术存在的问题，提出了一种基于ceemdan和fastica的机电设备轴承振动信号除噪方法。

本设计充分考虑了传感器采集振动数据样本的特征信息，仔细了解ceemdan和fastica的信号除噪的优势，为后续深度学习网络提供更加清晰的原信号，有助于更好的优化模型。提高诊断精确度和效率。

本发明解决其技术问题所采用的技术方案是：一种基于ceemdan和fastica的机电设备轴承振动信号除噪方法，包括以下步骤：

步骤一，通过传感器采集的振动数据，利用ceemdan自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数imf，将其作为观测信号x(t)。

步骤二，通过fastica算法对分解得到的本征函数去噪处理，再利用ica逆变换得出新imf’。

步骤三，并将新imf’直接累加还原得到重构信号，提取特征向量,利用lle降维。

步骤四，将特征向量作为深度学习网络的输入，输出得到诊断结果。

在步骤一中，包括如下步骤：

先进行第一阶模态分量的求解，将服从标准正态分布的正负对高斯白噪声添加到原始数据信号中，取m为系数，ε为幅值，ni(t)为第i次添加的白噪声序列，i为辅噪声次数，即有：

其中

2.对得到的新信号进行emd分解，得到多个imf分量；

3.通过对多个imf求均值，得到第一阶最终分量以及第一阶剩余分量r1(t);

分解式为：

其中第一阶最终分解分量为：=

第一阶剩余分量为：

再求解第二阶模态分量，将正负高斯白噪声添加到第一阶剩余分量r1(t)中，对构成的新信号进行n次分解，得第二阶分量及剩余分量r2(t);

分解式为：

+=

其中第二阶最终分解分量为：

=

第二阶剩余分量为：

5.重复步骤直到剩余信号不可分，此时原始信号表示成：

最终得到观测信号x(t)={x1(t)，x2(t)，…，xn(t)}

在步骤二中，包括如下步骤：

在ica独立成分分析法的基础上，fastica做如下变化，

1.将原累计分布函数sigmoid函数改为

则概率分布函数为累计分布函数的导数，为：

其中常取a1=1

原ica中w的迭代公式为：

fastica中w的迭代公式改为：

最后得到原信号估计s(t)={s1(t)，s2(t)，…，sm(t)}

再将其进行逆ica变换，得到新的imf’

在步骤四中，包括如下步骤：

通过lle技术对特征提取向量进行降维操作，使其数据特征达到满足适应网络处理的维数；

考虑到机械设备样本数据的特征，将采取无监督域自适应的迁移学习模型rtn，利用谱聚类进行故障类型判断，再利用极大似然估计的贝叶斯网络进行故障程度的分析，最后得到网络诊断输出结果，包括故障部件，故障类型，故障预警程度的实时反馈。

与现有技术相比，本发明具有如下的有益效果：

1.通过ceemdan方法则在eemd的基础上，通过自适应加入白噪声，克服了eemd等其他模态分解在加入白噪声后分解失去完备性、产生重构误差的问题，提高分解信号的准确性。

2.通过引入fastica达到了去除噪声，净化信号的功能，实现了更加精准的信号重构，为后续深度学习网络提供还原度尽可能高的原始信号，提高网络模型优化，增强识别准确性。

3.通过迁移学习谱聚类算法和极大似然估计的贝叶斯网络，解决了大型机电设备故障数据样本少，采集数据成本高等问题，提高了对故障信息类型判别的聚类处理的能力，加强可解释性，实现对某一故障类别的故障程度的可视化。

附图说明

图1为本发明实施例的基于ceemdan和fastica的机电设备轴承振动信号除噪方法的步骤流程图；

图2为ceemdan经验模态分解示意图；

图3为步骤一中深度学习模块具体运行流程；

图4为基于本发明的ceemdan分解凯斯西储大学105振动数据集实验结果图；

图5为fastica信号分离除噪效果实验示意图。

具体实施方式

下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚，完整地描述，显然，所描述的实施例是本发明一部分实施例，而并非全部的实施例。

参照图1，所示为本发明实施例的一种基于ceemdan和fastica的机电设备轴承振动信号除噪方法。实施过程可以分为四大步骤：

步骤一，通过传感器采集的振动数据，利用ceemdan自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数imf，将其作为观测信号x(t)={x1(t)，x2(t)，…，xn(t)}。

请参阅图2为ceemdan经验模态分解具体原理过程

请参阅图4为基于本发明的ceemdan分解凯斯西储大学105振动数据集实验结果图

在步骤一中，包括如下步骤：

1.先进行第一阶模态分量的求解，将服从标准正态分布的正负对高斯白噪声添加到原始数据信号中，取m为系数，ε为幅值，ni(t)为第i次添加的白噪声序列，i为辅噪声次数，即有：

其中

2.对得到的新信号进行emd分解，得到多个imf分量；

3.通过对多个imf求均值，得到第一阶最终分量以及第一阶剩余分量r1(t);

分解式为：

其中第一阶最终分解分量为：

=

第一阶剩余分量为：

再求解第二阶模态分量，将正负高斯白噪声添加到第一阶剩余分量r1(t)中，对构成的新信号进行n次分解，得第二阶分量及剩余分量r2(t);

分解式为：

+=

其中第二阶最终分解分量为：

=

第二阶剩余分量为：

重复步骤直到剩余信号不可分，此时原始信号表示成：

最终得到观测信号x(t)={x1(t)，x2(t)，…，xn(t)

步骤二，通过fastica算法对分解得到的本征函数去噪处理，再利用ica逆变换得出新imf’。

请参阅图5为fastica信号分离除噪效果实验示意图

在步骤二中，包括如下步骤：

在ica独立成分分析法的基础上，fastica做如下变化，

1.将原累计分布函数sigmoid函数改为

则概率分布函数为累计分布函数的导数，为：p(s)=g(s)’=tanh(a1,y)

其中常取a1=1

原ica中w的迭代公式为：

fastica中w的迭代公式改为：

最后得到源信号估计s(t)={s1(t)，s2(t)，…，sm(t)}

再将其进行逆ica变换，得到新的imf’

步骤三，并将新imf’直接累加还原得到重构信号，提取特征向量,利用lle降维。

步骤四，将特征向量作为深度学习网络的输入，输出得到诊断结果。

在步骤四中，包括如下步骤：

通过lle技术对特征提取向量进行降维操作，使其数据特征达到满足适应网络处理的维数；

请参阅图3为步骤一中深度学习模块具体运行流程

考虑到机械设备样本数据的特征，将采取无监督域自适应的迁移学习模型rtn，利用谱聚类进行故障类型判断，再利用极大似然估计的贝叶斯网络进行故障程度的分析，最后得到网络诊断输出结果，包括故障部件，故障类型，故障预警程度的实时反馈。

以上所述的具体实施方式，对本发明的目的，技术原理和决策方案以及有益效果进行了更加详尽的说明，所应理解的是，以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。