本发明涉及轴承振动分析领域，特别是涉及一种改进经验模态分解轴承振动分析方法及系统。
背景技术：
在1998年美国国家宇航局的nordenehuang提出了一种针对非平稳、非线性信号的新方法，它的基本思想是通过对非平稳信号进行经验模式分解(emd,empiricalmodedecomposition)，将信号分解成一系列本征模态函数(imf,intrinsicmodefunction)，利用了emd分解和连续均值筛选的方法，论证了emd分解的完备性和正交性。随着研究的不断深入，emd发展逐步形成了自己的理论体系，成了非线性和非平稳性信号的分析的新时频分析方法，并广泛应用于旋转机械振动信号分析领域。
但是轴承振动信号具有很强的非线性和非平稳特征，从国内外经验模态分解方法的研究情况来看，经验模态分解的本身存在模态混叠现象和端点效应现象，导致基于轴承振动信号进行状态监测、故障诊断和趋势预测的研究都存在很多的限制。所谓模态混叠是指不能根据时间特征尺度有效的分离模态成分，使得在一个固有模态函数中，含有不只一个模态分量，从而不能清楚的反映信号的内在固有性质。模态混叠分为事件模态混叠和非事件模态，事件模态极易导致局部极值现象，使emd分解精度降低，严重时emd分解会失效。而非事件模态混叠是指在几个频率共存的混合信号中，不能将某几个频率信号正确分离的现象。端点效应则是在使用emd分解时，由于信号的极大值和极小值计算信号的包络线时端点处是否是极值难以确定而产生的，端点效应会产生emd分解难以收敛的问题。由于上述的不足，导致经验模态方法在进行轴承振动信号分析时存在一定的限制，因此改进emd算法具有重大意义。
技术实现要素：
针对上述问题，本发明提供一种改进经验模态分解轴承振动分析方法及系统。
为实现上述目的，本发明提供了如下方案：
一种改进经验模态分解轴承振动分析方法，包括：
将轴承振动信号进行分解，得到第一高能量信号和第一低能量信号；
判断所述第一高能量信号和所述第一低能量信号是否存在事件性模态；
若是，则按照事件性模态处理方法处理所述第一高能量信号和所述第一低能量信号；
若否，则直接采用经验模态分解方法分解所述第一高能量信号和所述第一低能量信号；
在对所述第一高能量信号和所述第一低能量信号进行经验模态分解时，通过抑制端点效应，得到第二高能量信号和第二低能量信号；
判断所述第二低能量信号是否存明显的波形特征；
若是，则将所述第二高能量信号和所述第二低能量信号进行希尔伯特黄变换，得到变换图谱，结束整个分解过程；
若否，则将所述第二低能量信号赋值给所述轴承振动信号再一次进行分解，直到低能量信号分解之后存在明显的特征或者待分解信号不满足经验模态分解的条件，再将得到的低能量信号进行希尔伯特黄变换得到变换图谱，结束整个分解过程。
可选的，所述将轴承振动信号进行分解，得到第一高能量信号和第一低能量信号，具体包括：
将轴承振动信号利用奇异值分解，得到第一高能量信号和第一低能量信号。
可选的，所述按照事件性模态处理方法处理所述第一高能量信号和所述第一低能量信号，具体包括：
基于时间特征尺度平稳度和基于极值差平稳度的联合平稳度方法确定事件性模态的产生的时间域；
根据时间域采用奇异值去噪方法，去除所述第一高能量信号和所述第一低能量信号的事件性模态。
可选的，所述在对所述第一高能量信号和所述第一低能量信号进行经验模态分解时，通过抑制端点效应，得到第二高能量信号和第二低能量信号，具体包括：
在对所述第一高能量信号和所述第一低能量信号进行经验模态分解时，对于每一次分解时利用信号的单调性一致原则来抑制端点效应，得到第二高能量信号和第二低能量信号。
一种改进经验模态分解轴承振动分析系统，包括：
第一分解模块，用于将轴承振动信号进行分解，得到第一高能量信号和第一低能量信号；
第一判断模块，用于判断所述第一高能量信号和所述第一低能量信号是否存在事件性模态；
事件性模态处理模块，用于当所述第一高能量信号和所述第一低能量信号存在事件性模态时，按照事件性模态处理方法处理所述第一高能量信号和所述第一低能量信号；
第二分解模块，用于当所述第一高能量信号和所述第一低能量信号不存在事件性模态时，直接采用经验模态分解方法分解所述第一高能量信号和所述第一低能量信号；
端点效应抑制模块，用于在对所述第一高能量信号和所述第一低能量信号进行经验模态分解时，通过抑制端点效应，得到第二高能量信号和第二低能量信号；
第二判断模块，用于判断所述第二低能量信号是否存明显的波形特征；
希尔伯特黄变换模块，用于当所述第二低能量信号存在明显的波形特征，将所述第二高能量信号和所述第二低能量信号进行希尔伯特黄变换，得到变换图谱，结束整个分解过程；
第三分解模块，用于当所述第二低能量信号不存在明显的波形特征，将所述第二低能量信号赋值给所述轴承振动信号再一次进行分解，直到低能量信号分解之后存在明显的特征或者待分解信号不满足经验模态分解的条件，再将得到的低能量信号进行希尔伯特黄变换得到变换图谱，结束整个分解过程。
可选的，所述第一分解模块，具体包括：
第一分解单元，用于将轴承振动信号利用奇异值分解，得到第一高能量信号和第一低能量信号。
可选的，所述事件性模态处理模块，具体包括：
时间域确定单元，用于基于时间特征尺度平稳度和基于极值差平稳度的联合平稳度方法确定事件性模态的产生的时间域；
去除单元，用于根据时间域采用奇异值去噪方法，去除所述第一高能量信号和所述第一低能量信号的事件性模态。
可选的，所述端点效应抑制模块，具体包括：
端点效应抑制单元，用于在对所述第一高能量信号和所述第一低能量信号进行经验模态分解时，对于每一次分解时利用信号的单调性一致原则来抑制端点效应，得到第二高能量信号和第二低能量信号。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明首先根据在相同的时间内不同幅值或者不同频率的轴承振动信号具有不同的能量，提出对轴承振动信号进行能量分离来处理非事件性模态混叠，然后将分离的轴承振动信号分别进行事件性模态混叠处理，得到待分解的信号，再消除经验模态分解中的端点效应，从而得到最后的分解信号。本发明具有下列区别于传统方法的显著优势：
(1)针对非事件模态处理方法，克服了在无法知道目标频率情况下无法添加掩盖频率的阻碍。
(2)针对事件模态处理方法，比常用的eemd方法具有更高的精确度和需要的时间更少。
(3)针对端点效应的处理方法，相比传统方法具有更高的精确性和所需要的时间更少。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1改进经验模态分解轴承振动分析方法流程图；
图2为本发明实施例2改进经验模态分解轴承振动分析方法流程图；
图3为本发明的端点效应单调性一致数据处理过程图(单调性算法流程)；
图4为端点预测极值比较图；
图5为基于端点效应改进方法的经验模态分解的结果比较图(三种方法分解的结果比较)；
图6为非事件性信号图；
图7为采用eemd算法去除混叠信号之后的信号图；
图8为采用奇异值分解之后得到的信号图；
图9为非事件性模态混叠信号图；
图10为传统emd分解结果图；
图11为本发明改进方法分解结果图；
图12为美国凯斯西储大学轴承数据中心的数据信号频率图；
图13为emd分解的hilbert谱；
图14为本发明分解的hilbert谱；
图15为本发明改进经验模态分解轴承振动分析系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明改进经验模态分解轴承振动分析方法流程图。如图1所示，一种改进经验模态分解轴承振动分析方法包括：
步骤101：将轴承振动信号进行分解，得到第一高能量信号和第一低能量信号，具体包括：
将轴承振动信号利用奇异值分解，得到第一高能量信号和第一低能量信号。
步骤102：判断第一高能量信号和第一低能量信号是否存在事件性模态。
步骤103：若是，则按照事件性模态处理方法处理第一高能量信号和第一低能量信号，具体包括：
基于时间特征尺度平稳度和基于极值差平稳度的联合平稳度方法确定事件性模态的产生的时间域。
根据时间域采用奇异值去噪方法，去除第一高能量信号和第一低能量信号的事件性模态。这一步骤主要是分离高低能量信号，去除异常信号即事件性信号。
步骤104：若否，则采用进行经验模态分解方法分解第一高能量信号和第一低能量信号。
步骤105：在对第一高能量信号和第一低能量信号进行经验模态分解时，通过抑制端点效应，得到第二高能量信号和第二低能量信号，具体包括：
在对第一高能量信号和第一低能量信号进行经验模态分解时，对于每一次分解时利用信号的单调性一致原则来抑制端点效应，得到第二高能量信号和第二低能量信号。
对于每一次分解时利用信号的单调性一致原则来抑制端点效应，具体包括下列步骤：
step1.提取信号轴承振动信号的极大值pmax与极小值pmin，右端点处最近的一个极大值pmax(end)与极小值pmin(end)；将对应的极大值与极小值之差的绝对值相加得误差集，即：
err(i)＝|pmax(end)-pmax(i)|+|pmin(end)-pmin(i)|并将误差集从小到大排列。
step2.求右端点最近的极大值与极小值的左边的单调性情况；即：
pmax(end)pmin(end)＝{1增增、2增减、3减增、4减减}，与所求误差集中的每一点(i)的左边的单调性进行比较，如果单调性一致，则保留，否则删除。
step3.计算步骤step2中保留的点(i)与右边第一个极值点的单调性的情况，即：
pmax(i+1)pmin(i+1)＝{1增增、2增减、3减增、4减减}，比较1-4四种情况的出现频率，选择出现频率较高者的点，相差不大(<3)认为同等。
step4.选择步骤step3中频率较高的点，构造方程或方程组，即：
ampmax(end)+am-1pmax(end-1)+....+a0pmax(end-m)
＝pmax(end+1)....(2)
将方程(1)，即：ax＝b求解出的系数a代入方程(2)中，解出pmax(end+1)，其坐标由误差集中最小误差点坐标和后一个坐标差加上端点pmax(end)坐标确定。右端极小值可以使用同样的方法求得；将信号倒置后，采用同样的方法可以得到左端极大值与极小值(去噪过程)。
由于该方法是基于极值误差和的方法寻找近似点得出的，部分筛选条件过于严格，因此在数据很少时可能导致无解，这时将进行如下处理：在步骤(1)提取出极大值pmax与极小值pmin时，右端的第一个极大pmax(end)与第一个极小值pmin(end)分别与剩余的极大值与极小值相减得到差值，两差值的绝对值相加就得了误差集，如式：err_max(i)＝|pmax(end)-pmax(i)|和err_min(i)＝|pmin(end)-pmin(i)|，将误差集并从小到大排列，再进行求解。
步骤106：判断第二低能量信号是否存明显的波形特征。
步骤107：若是，则将第二高能量信号和第二低能量信号进行希尔伯特黄变换，得到变换图谱，结束整个分解过程。
步骤108：若否，则将第二低能量信号赋值给轴承振动信号再一次进行分解，直到低能量信号分解之后存在明显的特征或者待分解信号不满足经验模态分解的条件，再将得到的低能量信号进行希尔伯特黄变换得到变换图谱，结束整个分解过程。
实施例2：
图2为本发明实施例2改进经验模态分解轴承振动分析方法流程图。如图2所示，本发明实施例2的一种改进经验模态分解轴承振动分析方法，具体包括：
1)利用奇异值分解将轴承振动信号x(t)按能量分离得到高能量信号xh(t)和低能量信号xl(t)。
2)判断高能量信号xh(t)和低能量信号xl(t)是否存在事件性模态，如果存在，则按照事件性模态处理方法去除，得到高能量信号xh′(t)和低能量信号xl′(t)，如果不存在，则进行下一步。
3)在经验模态分解时，对于每一次分解时利用信号的单调性一致原则来抑制端点效应；具体步骤包含有：
step1.提取信号x(t)的极大值pmax与极小值pmin，右端点处最近的一个极大值pmax(end)与极小值pmin(end)；将对应的极大值与极小值之差的绝对值相加得误差集，即：
err(i)＝|pmax(end)-pmax(i)|+|pmin(end)-pmin(i)|，并将误差集从小到大排列。
step2.求右端点最近的极大值与极小值的左边的单调性情况；即：
pmax(end)pmin(end)＝{1增增、2增减、3减增、4减减}，与所求误差集中的每一点(i)的左边的单调性进行比较，如果单调性一致，则保留，否则删除。
step3.计算步骤step2中保留的点(i)与右边第一个极值点的单调性的情况，即：
pmax(i+1)pmin(i+1)＝{1增增、2增减、3减增、4减减}，比较1-4四种情况的出现频率，选择出现频率较高者的点，相差不大(<3)认为同等。
step4.选择步骤step3中频率较高的点，构造方程或方程组，即：
ampmax(end)+am-1pmax(end-1)+....+a0pmax(end-m)
＝pmax(end+1)....(2)
将方程(1)，即：ax＝b求解出的系数a代入方程(2)中，解出pmax(end+1)，其坐标由误差集中最小误差点坐标和后一个坐标差加上端点pmax(end)坐标确定。右端极小值可以使用同样的方法求得；将信号倒置后，采用同样的方法可以得到左端极大值与极小值(去噪过程)。
由于该方法是基于极值误差和的方法寻找近似点得出的，部分筛选条件过于严格，因此在数据很少时可能导致无解，这时将进行如下处理：在步骤(1)提取出极大值pmax与极小值pmin时，右端的第一个极大pmax(end)与第一个极小值pmin(end)分别与剩余的极大值与极小值相减得到差值，两差值的绝对值相加就得了误差集，如式：err_max(i)＝|pmax(end)-pmax(i)|和err_min(i)＝|pmin(end)-pmin(i)|，将误差集并从小到大排列，再按照步骤(2)，(3)，(4)进行求解。图3为本发明的端点效应单调性一致数据处理过程图。
通过单调性一致原则来抑制端点效应后，得到分解后的高能量信号imfh(t)和分解后的低能量信号imfl(t)。
4)对分解信号imfl(t)进行判断是否存明显的波形特征，如果存在，则结束整个分解过程，如果不存在，则将信号xl(t)赋值给x(t)再一次进行分解，直到低能量信号分解之后存在明显的特征或者待分解信号不满足emd分解的条件，并进行希尔伯特黄变换，结束整个分解过程。
图4为端点预测极值比较图。图5为基于端点效应改进方法的经验模态分解的结果比较图。图4中，‘.’代表实际值包络线点；‘*’点是由端点极值法得到极值，再采用三次样条插补得到点，从图5中可以看出左端极大值和右端极小值所拟合得到的点较为靠近真实的值，而左端极小值和右端极大值拟合所得出来的点离真实值较远，其端点效应较为强烈；‘+’点指由径向神经网络rbf三次样条插补曲线，其左右两端的极小值所预测值的插值点离实际点较小的偏差，而两端的极大值所预测值的插值点与真实结果十分靠近，其端点效应较弱；‘-’是由本发明提出的单调一致性算法得出的结果，其左右两端的极大值所预测值的插值点离实际点有较小的偏差，而两端的极小值所预测值的插值点与真实结果基本一致，因此所带来的端点效应较弱。从整体上，单调性预测极值和径向神经网预测极值都比以数据端点作为极值点好，且单调性算法预测的极值与径向神经网络预测的极值具有相等的精度。如图5和表1，由端点数据为附加极值、神经网络rbf、单调性三种方法来预测附加极值的比较中，能够得出数据端点为附加极值点的方法抑制端点效应非常有效果，但是在数据量少时，其附加极值的误差带来了分解层数的增加，产生不存在的imf分量；神经网络延拓算法，抑制端点效应结果很好，没有产生不存在的imf分量，但缺点却十分的明显，运算速度太慢了；单调性方法能抑制端点效应，没有产生不存在的imf分量，运算时间小于神经网络rbf的百分之一，其分解的精度和神经网络相差甚小。所以不论从理论分析还是实验分析从中可以看出发明改进的算法是一种能较好处理端点效应方法。表1为本发明的改进方法与传统方法对处理端点效应的时间比较。表1如下所示：
表1本发明的改进方法与传统方法对处理端点效应的时间比较
如图6、7、8和表2，图6为非事件性信号图。图7为采用eemd算法去除混叠信号之后的信号图。图8为采用奇异值分解之后得到的信号图，即采用本发明之后的信号图。表2为处理事件模态现象运行时间比较。eemd算法和本发明处理之后得到的信号，大体上满足了消除混叠信号，没有间歇信号和异常事件信号，eemd算法处理之后存在极大值存在偏差和极小值存在偏差；而奇异值分解之后的信号，不仅消除混叠信号，而且两者几乎一致。并且eemd运行时间是奇异值分解程序运行时间的1000倍以上。所以无论从去除混叠信号的精度还是从运行时间上看，奇异值分解消除混叠信号效果优于eemd消除混叠信号。图9非事件性模态混叠信号图。表2如下所示：
表2处理事件模态现象运行时间比较
图10、图11，两者采用相同的端点处理方法。图10为传统emd分解结果图。图11为本发明改进方法分解结果图。具体的，图10为emd分解出8个imf本征模态函数和一个残余分量res，imf1～3频率散布，没有明显的频率特征，主要原因是噪声信号的影响导致；imf4～8频率相对imf1～3较为集中，但目标频率成分没有明显特征，且imf7和imf8出现了其他频率成分，由此可以知道emd分解出现了非事件模态混叠现象。根据图11可以知道，本发明改进方法分解出4个imf本征模态函数和1个残余分量res，由于采用能量分离再分解的方法，所以出现了两个残余分量；由图11可知，imf1～4与实际信号的成分数相同，且频率特征较为突出，imf1中频率在20hz上下浮动，imf2频率在10hz左右，imf3频率在18hz上下浮动，imf4频率在8hz左右。通过emd与本发明改进方法比较分析可以得出，本发明改进方法能消除非事件模态混叠现象，而emd无法消除非事件模态混叠现象。由此本发明改进方法优于emd分解。
选用美国凯斯西储大学轴承数据中心的振动数据进行分析。图12为美国凯斯西储大学轴承数据中心的数据信号频率图。如图12所示，轴承振动实验平台包括一个2马力的电机(左侧)，一个转矩传感器(中间)，一个功率计(右侧)和电子控制设备(没有显示)。被测试轴承支承电机轴。实验测试所用的轴承型号为6205-2rsjemskf，故障直径为0.3556mm。轴承节圆直径为d＝39.04mm，钢球直径d＝7.94mm，滚动体个数n＝9，压力角α＝0°。内圈损伤为电火花加工的单点损伤，故障点直径为0.3556mm，深度为0.2794mm，转轴转频fr＝29.57hz，采样频率为12khz，计算内圈故障特征频率fi＝160.11hz。
图13为emd分解的hilbert谱。从图13可以知道，emd直接分解，子图imf1频率大致集中在2000hz附近，imf2的子图大致集中在1000hz，而imf3和imf4的频率相对较为散，从imf5～imf11可以得出了频率相对集中，但并没有呈现波形特征，也没有显示出特征频率160.11hz，因此直接采用emd未能检验出故障频率。图14为本发明分解的hilbert谱。从图14中第一次分解的imf1～imf4中可以知道，频率相对集中且能显示出在一定频率附近上下浮动，imf1的频率在1836hz附近浮动，imf2的频率大致在950hz左右，imf3和imf4频率相对分散；第二次分解得出的imf与第一次分解得出的imf在hilbert谱相差不大；从第三次分解得出的imf图可以知道，imf1与imf2频率集中，且呈现去波形特征，imf1的频率在360hz附近，而imf2的频率为161.2hz附近，则与故障频率几乎一致，因此本发明提出的改进emd分解方法优于传统的emd方法。
实施例3：
图15为本发明改进经验模态分解轴承振动分析系统结构图。如图15所示，一种改进经验模态分解轴承振动分析系统包括：
第一分解模块201，用于将轴承振动信号进行分解，得到第一高能量信号和第一低能量信号。
第一判断模块202，用于判断第一高能量信号和第一低能量信号是否存在事件性模态。
事件性模态处理模块203，用于当第一高能量信号和第一低能量信号存在事件性模态时，按照事件性模态处理方法处理第一高能量信号和第一低能量信号。
第二分解模块204，用于当第一高能量信号和第一低能量信号不存在事件性模态时，直接采用经验模态分解方法分解第一高能量信号和第一低能量信号。
端点效应抑制模块205，用于在对第一高能量信号和第一低能量信号进行经验模态分解时，通过抑制端点效应，得到第二高能量信号和第二低能量信号。
第二判断模块206，用于判断第二低能量信号是否存明显的波形特征。
希尔伯特黄变换模块207，用于当第二低能量信号存在明显的波形特征，将第二高能量信号和第二低能量信号进行希尔伯特黄变换，得到变换图谱，结束整个分解过程。
第三分解模块208，用于当第二低能量信号不存在明显的波形特征，将第二低能量信号赋值给轴承振动信号再一次进行分解，直到低能量信号分解之后存在明显的特征或者待分解信号不满足经验模态分解的条件，再将得到的低能量信号进行希尔伯特黄变换得到变换图谱，结束整个分解过程。
第一分解模块201，具体包括：
第一分解单元，用于将轴承振动信号利用奇异值分解，得到第一高能量信号和第一低能量信号。
事件性模态处理模块203，具体包括：
时间域确定单元，用于基于时间特征尺度平稳度和基于极值差平稳度的联合平稳度方法确定事件性模态的产生的时间域。
去除单元，用于根据时间域采用奇异值去噪方法，去除第一高能量信号和第一低能量信号的事件性模态。
端点效应抑制模块205，具体包括：
端点效应抑制单元，用于在对第一高能量信号和第一低能量信号进行经验模态分解时，对于每一次分解时利用信号的单调性一致原则来抑制端点效应，得到第二高能量信号和第二低能量信号。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。