一种基于eemd、cmf、wpt技术的振动信号频率特征提取方法
【专利摘要】本发明公开了一种基于EEMD、CMF、WPT技术的振动信号频率特征提取方法，包括如下步骤：A、采用EEMD方法对信号进行分解，得到IMF分量；B、通过设定的临界值来选择IMF分量，能够防止IMF分量被去除；C、将相关IMF分量通过CMF方法组合在一起，能够保持信号的完整性；D、通过小波变换和小波包分解，得到所需IMF分量的频率信息。通过加入有幅值限制的高斯白噪声，使信号在不同尺度上均具有连续性，能够有效克服模态混叠现象，提高信号提取精度。
【专利说明】
_种基于EEMD、GMF、WPT技术的振动信号频率特征提取方法
技术领域
[0001 ]本发明涉及机械工程技术领域，特别涉及一种基于EEMD、CMF、WPT技术的振动信号 频率特征提取方法。
【背景技术】
[0002] "能源与环境"是21世纪汽车与内燃机工业发展所面临的两大研究主题。在城市噪 声污染中，75%来源于以内燃机为主要噪声源的交通噪声，内燃机作为车辆的主要振动噪 声源，其振动噪声的控制已成为世界各国普遍关注的重要研究课题之一。在柴油机振动噪 声控制研究领域，振动信号的特征提取是先决条件，而振动频率成分的时变特性是信号特 征的重要表现形式。
[0003] 由于内燃机结构复杂，激励源众多，实验测量得到的振动信号往往包含多个激励 源的响应信号，很难对某个激励源的响应信号进行分析，同时不同振动源的信号特征会相 互重叠，单一时频分析方法已经无法有效获取局部时频信息，尤其难以全面有效获得不同 激励源的时频特征。近年来，国内外学者对柴油机振动信号进行研究并取得了一定的成果， 但需要进一步的完善和研究。
[0004] 发明人在论文"柴油机振声信号特征提取与低振声机体结构改进研究"中采用EMD 分解方法对振动信号进行分解得到相应的IMF分量，然而在EMD分解中，信号存在间断性不 连续现象，得到的MF分量含有不同时间尺度的成分，使得到的相关頂F分量没有意义，能够 使时频分析失真，当采用三次样条插值函数拟合上、下包络时，会产生误差，最终造成模态 混叠现象严重；由于最初的EMD分解的信号不连续，发明人采用CMF组合模态函数方法仍然 不能从根本上有效克服模态混叠现象。
【发明内容】
[0005] 本发明设计开发了一种基于EEMD、CMF和WPT技术的振动信号频率特征提取方法， 通过加入有幅值限制的高斯白噪声，使信号在不同尺度上均具有连续性，能够有效克服模 态混置现象，提尚彳目号提取精度。
[0006] 本发明提供的技术方案为：
[0007] 一种基于EEMD、CMF和WPT技术的振动信号频率特征提取方法，其特征在于，包括如 下步骤：
[0008] A、采用EEMD方法对信号进行分解，得到頂F分量；
[0009] B、通过设定的临界值来选择頂F分量，能够防止頂F分量被去除；
[0010] C、将相关頂F分量通过CMF方法组合在一起，能够保持信号的完整性；
[0011] D、通过小波变换和小波包分解，得到所需頂F分量的频率信息。
[0012] 优选的是，所述步骤A步骤中，頂F分量为： / = ，S=l,2,,5*，其中cs(t)即为EEMD分解得到的 頂F分量，M为初始化总体平均次数，s为分解的次数，S为頂F分量的个数，t为自变量。
[0014]优选的是，所述步骤B中，所述设定的临界值为K，SCs(t)与原始信号的相关系数 为m，i = l，. . .，n，n为所述cs(t)的个数，k是由]最大值的比率决定，表示为:K = max(iii)/ n，（i = i,...，n)，n为比率因子，取n=i〇.〇。
[0015] 优选的是，所述步骤C还包括:对相邻IMF分量ci，ci+i, . . .ci+m进行特征分析，采用 /-r-m 组合模态函数CMF方法q ; 1 Q ，式中，n为EEMD分解中最大頂F分量数，Cq p=i 为组合分量。
[0016] 优选的是，所述D步骤包括：
[0017] D1、对任意信号计算离散小波变换 ，其中
[m，k]为采样点，ao为初始伸缩因子，x(n)为尺度函数，n为自变量，L2(R)为希伯特空间；
[0018] D2、采用小波包分解，小波包的分解算法为：
[0019] d{ = h-2k^k +Si-2k^k' .，其中jeZ，nGZ+即非负整数，t为自变 k 量，k为平移尺度，k彡0，j为尺度度量空间，1为尺度因子，h，g为双尺度变量，g(k) = (-l)kh (l_k)；
[0020] D3、设信号的频带范围为0~fO,得到各子带宽度为f〇/2n，则第i个子带频率范围 表示为：
[0021]本发明所述的有益效果:采用EEMD方法对原始信号进行分解，通过每次在信号中 加入限定幅值的高斯白噪声来改变信号或数据的极值点个数，以及极值点的分布间隔，再 通过对多次分解得到的IMF分量进行总体平均，进而达到抵消加入到信号中的高斯白噪声， 能够有效的避免了模态混叠现象，提高信噪比和信号的抗干扰能力，提高了信号提取的精 度。
【附图说明】
[0022]图1为本发明基于EEMD、CMF和WPT技术的振动信号频率特征提取方法的分析流程。
[0023] 图2为本发明的小波包分解技术结构图。
[0024] 图3为本发明的组合分量的时域波形及小波时频分析结果。
[0025]图4为本发明的子分量的小波时频分析结果。
[0026]图5为本发明的单组分分量的小波时频分析结果
【具体实施方式】
[0027]下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文 字能够据以实施。
[0028]本发明实施例的一种基于EEMD、CMF、WPT技术的振动信号频率特征提取方法如图1 所示，包括以下步骤：
[0029] 步骤S110,利用加速度传感器对柴油机机体进行测量，获得振动加速度信号；
[0030] 步骤 S120，
[0031 ] (1)初始化总体平均次数M并给加入的白噪声添加限定的数值的幅度，并使i = 1;
[0032] (2)把一个给定幅度的白噪声ru(t)加到原始信号x(t)中，组成一个新的信号Xl (t)，xi(t) = x(t)+m(t)，x(t)其表示第i个附加噪声信号，ru(t)表示第i个加入的白噪声系 列；
[0033] (3)第i次加入的高斯白噪声的信号Xl(t)使用经验模态分解算法(EMD)得到一组 为IMF分量；
[0034] (4)原始{目号最终表不为
i. = 1,2,…，M，s.= l,2,…其中cs (t)即为集合经验模态分解算法(EEMD)得到的頂F分量。
[0035]步骤S130,根据各IMF分量与原始信号的相关系数，判断IMF分量的真伪，剔除与原 始信号无相关性或相关性很弱的IMF分量，保留相关性较强的IMF分量，并设定一个合理的 标准值来实现IMF分量的选择，也避免了低幅值但相关的IMF分量被意外的去除;所述设定 的临界值为％设所述c s(t)与原始信号的相关系数为m，i = l，. . .，n，n为所述cs(t)的个数， k是由in最大值的比率决定，表示为：K = max(iii)/n，（i = l，. . .，n)，n为比率因子，取n = 10 ? 0。选出分量imf 1~imf8。
[0036] 步骤S140,对相邻IMF分量ci，ci+i, . . .ci+m进行特征分析，采用组合模态函数方法 (CMF)，C,7 = $。1 ^ m，式中，n为EEMD分解中最大頂F分量数，C q为组合分量，能 p;二 i 够保证信号的完整性形成完整的信号特征提取方式;将分量imf 5、imf 6、imf 7、imf 8构成组 合模态函数C5-8，分量C5-8的时域波形与其相应的小波时频分析结果如图3所示。
[0037] 图3中分量C5-8的时域波形除了个别局部波形发生扭曲外，其余波形均表现出良 好的周期性。由分量C5-8的小波时频结果可知，该分量具有明显的局部冲击和周期性特征， 频率成分在115Hz与230Hz附近非常明显，其分别与柴油机的3、6倍转动基频相对应，即对应 于柴油机的3、6阶2个主谐次。
[0038]步骤S150,对任意信号f(t)，其小波变换可表示为f(t)与小波函数的内积，即
，：' e L-(汉)，式中，⑴为也a , b (t)的共辄，对上式进行离散化，得到离散小波变换
其中[m，k]为采样点，aQ为初始伸缩因子，x(n)为尺度函数，n为自变量，L2(R)为希伯特空间； 采用小波包的分解算法： k 负整数，k为平移尺度且k彡0，j为尺度度量空间，1为尺度因子，h，g为双尺度变量，g(k) = (-l)kh(l-k);设信号的频带范围为0~fQ，得到各子带宽度为f〇/2n，则第i个子带频率范围表 示为:
[0039 ] 对imf 1分量进行小波包算法(WPT)前处理，将imf 1分量中包含的信号特征分解到不 同的窄带分量中，WPT分解的结构图如图2所示。信号x(t)经过N层小波包分解后得到2N个窄带 信号，小波包的分解算法为:设<(*巧，则0,其中巧为子空间函数，是 函数un(t)的闭包空间，小波包的重构算法为：以 =Z A 2义 +g/ \，其中j k GZ，nGZ+即非负整数，t为自变量，i = l，2，.. .n，k彡0;设信号x(t)的频带范围为0~f〇,得 到各子带宽度为f〇/2n，则第i个子带频率范围可以表示为：
"之(）。以分量 A4-imfl、A5-imfl、A7-imfl 以及 A1- i m f 3，4，为例，其各自的小波时频结果如图4所示。由小波时频结果可知，子IM F分量A 4 -imfl、A5-imfl与A7-imfl分别对应于频率1500抱、2000抱与4000泡，分量41-111^3,4对应于 频率115Hz与230Hz，各子分量均具有良好的局部冲击和周期性特征。
[00411 步骤S160，分量imf5、imf6、imf7、imf8为低能量频段振动信号，很难识别出其局部 特性。依据能量正则化分析结果，分量111^541^2、111^641、111^741与111^841具有很好的 单组分特性，代表了振动信号中特定的振动源，采用连续小波变换对各分量的小波时频分 析结果如图5所示。由图5可知，分量imf 5-A1与imf 5-A2是两个频率随时间波动的分量，其中 心频率分别为115Hz与230Hz，分别对应于柴油机的3、6阶2个主谐次，分量imf6-Al、imf7-Al 与imf8-Al具有明显的调频调幅特性，中心频率分别为1000Hz、1200Hz与2000Hz，这些频率 成分主要是由柴油机的燃烧爆发压力与机械运动所引起。
[0042]采用EEMD方法对原始信号进行分解，通过每次在信号中加入限定幅值的高斯白噪 声来改变信号或数据的极值点个数，以及极值点的分布间隔，再通过对多次分解得到的MF 分量进行总体平均，进而达到抵消加入到信号中的高斯白噪声，能够有效的避免了模态混 叠现象，提高信噪比和信号的抗干扰能力，提高了信号提取的精度。
【主权项】
1. 一种基于EEMD、CMF和WPT技术的振动信号频率特征提取方法，其特征在于，包括如下 步骤： A、 采用EEMD方法对信号进行分解，得到頂F分量； B、 通过设定的临界值来选择頂F分量，能够防止頂F分量被去除； C、 将相关頂F分量通过CMF方法组合在一起，能够保持信号的完整性； D、 通过小波变换和小波包分解，得到所需IMF分量的频率信息。2. 根据权利要求1所述的基于EEMD、CMF和WPT技术的振动信号频率特征特征提取方法， 其特征在于，所述步骤A步骤中，IMF分量为：其中cs (t)即为EEMD分解得到的IMF 分量，M为初始化总体平均次数，s为分解的次数，S为頂F分量的个数，t为自变量。3. 根据权利要求1所述的基于EEMD、CMF和WPT技术的振动信号频率特征提取方法，其特 征在于，所述步骤B中，所述设定的临界值为K，S Cs(t)与原始信号的相关系数为yi，i = I，. . .，n，n为所述cs(t)的个数，κ是由yi最大值的比率决定，表示为:K=max(yi)/n, (i = 1,,n)，n为比率因子，取η= 1〇.〇。4. 根据权利要求1所述的基于EEMD、CMF和WPT技术的振动信号频率特征提取方法，其特 征在于，所述步骤C还包括:对相邻MF分量 Ci，Ci+1，. . .ci+m进行特征分析，采用组合模态函 数CMF方；；l$i彡n-m，式中，η为EEMD分解中最大頂F分量数，C q为组合分量。5. 根据权利要求1所述的基于EEMD、CMF和WPT技术的振动信号频率特征提取方法，其特 征在于，所述D步骤包括： D1、对任意信号计算离散小波变孩，其中[m，k]为 采样点，a〇为初始伸缩因子，x(n)为尺度函数，η为自变量，L2(R)为希伯特空间； D2、采用小波包分解，小波包的分解算法为：，其中jez，nez+即非负整数，k为平移尺度 且k彡0，j为尺度度量空间，1为尺度因子，h，g为双尺度变量，g(k) = (-l)kh(l-k); D3、设信号的频带范围为0~fO,得到各子带宽度为f〇/2n，则第i个子带频率范围表示 为H^-Oo
【文档编号】G06F19/00GK105893773SQ201610247752
【公开日】2016年8月24日
【申请日】2016年4月20日
【发明人】杜宪峰, 李兴峰, 曹晓峰, 张立新, 刘福莉
【申请人】辽宁工业大学