一种具备自适应性的振动信号有效分量提取方法与流程

本发明涉及振动信号处理领域，尤其涉及一种具备自适应性的振动信号有效分量提取方法。

背景技术

在机械状态监测和故障诊断中，提取振动信号中的有效成分是数据处理中的一个必要环节。对于有效分量，可将其用于评估系统或元件的健康状态，所以需要对其进行提取并加以利用。而对于无用趋势项和噪声分量，它们的存在则会使信号中包含的有用信息失真，必须对其进行提取并加以消除。然而，除了受测试仪器零漂、环境、温度条件变化等因素的影响，信号中的无效分量往往没有非常明确的物理含义，具有随机性，给趋势项、噪声等无效成分的准确提取和消除带来了诸多困难。

目前，提取振动信号趋势项的方法如平均斜率法、滑动平均法、最小二乘拟合法等，通常需要预先假定信号中趋势项的类型，不适用于处理具有复杂变化趋势或随机变化趋势的非平稳信号，适用范围受到严重制约。基于小波变换的消噪方法，需要根据先验知识预先选择小波基和分解层数，受人为因素影响较大，不具备自适应性。因此，亟需发明一种具备自适应性的振动信号有效分量提取新方法。

技术实现要素：

针对现有技术中存在不足，本发明提供了一种具备自适应性的振动信号有效分量提取方法，以用于有效去除振动信号噪声和趋势项等无效成分的影响。

本发明是通过以下技术手段实现上述技术目的的。

一种具备自适应性的振动信号有效分量提取方法，具体包括如下步骤：

步骤(一)：对原始信号y进行极点对称模态分解(esmd)，获得原始信号y的若干个模态分量mi(1≤i≤n)和最佳自适应全局均线r；

步骤(二)：计算去除最佳自适应全局均线r后的信号y-r与每个模态分量mi之间的k-l散度值kli；

步骤(三)：对求得的k-l散度值kli进行归一化处理；

步骤(四)：预设阈值δd，则kli＞δd所对应的模态分量为虚假分量，给予去除，筛选出kli≤δd所对应的模态分量作为信号的有效分量，并把各有效分量的保留部分进行叠加重构，将重构信号作为原始信号y的有效成分。

进一步，步骤(四)中，所述阈值δd接近于零，在处理不同信号时，需要根据实测情况选取阈值δd。

进一步，所述步骤(四)中，筛选出kli≤δd所对应的模态分量后，舍去每个分量的前n/10和后n/10的采样数据，得到信号的有效分量，n为采样数据总点数。

本发明的有益效果是：

(1)本发明充分利用极点对称模态分解(esmd)方法的自适应分解特性和k-l散度在衡量信号“相关性”方面的优势，可以有效去除噪声和趋势项等干扰因素的影响，用于振动信号有效成分的提取。

(2)本发明方法可以得到有效分量和虚假分量之间具有数量级差异的k-l散度值kli，这是本发明方法在提取信号有效成分方面的优势所在，可以比较方便地确定阈值δd，进而使处理过程具备自适应性。

附图说明

图1为本发明所述一种具备自适应性的振动信号有效分量提取方法的流程图。

图2是本发明实施例的信号a(t)时域波形；

图3是本发明实施例的重构信号与a(t)理论有效信号的比较结果，其中a图为esmd与k-l相结合处理的结果，b图为emd与k-l相结合处理的结果。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明所述的一种具备自适应性的振动信号有效分量提取方法，具体包括以下步骤：

步骤(一)：对原始信号y进行极点对称模态分解(esmd)，获得原始信号y的若干个模态分量mi(1≤i≤n)和最佳自适应全局均线r；

步骤(二)：计算去除最佳自适应全局均线r后的信号y-r与每个模态分量mi之间的k-l散度值kli；

步骤(三)：对求得的k-l散度值kli进行归一化处理；

步骤(四)：预设阈值δd，则kli＞δd所对应的模态分量为虚假分量，给予去除，筛选出kli≤δd所对应的模态分量后，舍去筛选出的每个分量的前n/10和后n/10的采样数据作为信号的有效分量，并把各有效分量的保留部分进行叠加重构，将重构信号作为原始信号y的有效成分，其中n为采样数据总点数。

关于阈值δd的选取，在处理不同信号时，需要根据实测情况对阈值进行灵活调整。理想状态下，有效分量与原信号之间呈高度相关，有效分量对应的kli值接近于零，所以阈值δd的取值应接近于零。

为了验证所提发明方法的有效性，应用含有不同成分的模拟信号来分析本发明所述的一种具备自适应性的振动信号有效分量提取方法在提取信号有效分量方面的效果。为了更接近实际，构造一个包含多项式趋势和噪声分量的信号a(t)，结构如式(1)所示。根据信号强度以信噪比snr＝20db对a(t)添加高斯白噪声，其时域波形如图2所示。信号的采样频率为2khz，采样点数为2000。

a(t)＝sin(20πt)+3sin(50πt)+1.2t⁴-0.6t³+t²-0.8t+0.5+snr(1)

采用极点对称模态分解(esmd)方法对a(t)进行分解。为了比较esmd分解的效果，亦采用常用的经验模态分解(emd)方法对a(t)进行分解。由分解结果知，对于含有多项式趋势项和噪声分量的信号a(t)，esmd方法能够将信号a(t)分解为与信号结构相吻合的2个模态分量、1个残余分量以及3个噪声分量；而emd方法由于受自身因素的制约，发生了过分解现象，产生了过多的多余模态分量。

为了提取信号a(t)中的有效分量，进一步计算信号a(t)-r与每个模态分量之间的k-l散度值并进行归一化，结果如表1所示。由表1中的计算结果可知，esmd分解的第4个和第5个模态分量的k-l散度值较小，而且与其它模态分量有1个数量级以上的差别，说明这两个模态分量与原始信号相关性较强，是有效分量；emd分解的第3、4、5个模态分量的k-l散度值较小，且与其它模态分量有1个数量级以上的差别，是有效分量。

表1信号a(t)-r与模态分量之间的k-l散度值

预设阈值δd＝0.06，筛选出kli≤δd所对应的模态分量作为信号的有效分量。

舍去筛选出的每个有效分量的前n/10和后n/10的采样数据，并把各有效分量的保留部分进行叠加重构，将重构信号作为原始信号a(t)的有效成分。重构信号与a(t)中理论有效信号的比较结果如图3所示，二者之间的定量误差如表2所示。

由图3和表2中的结果可以看出，对于含有多项式趋势项和噪声分量的信号a(t)，本发明所述方法所获得的重构信号与理论有效信号之间具有较高的吻合度，与经典emd和k-l相结合的方法相比，本发明方法所得结果具有相对更高的精度。

表2重构信号与a(t)理论有效信号之间的定量误差

综上可见，本发明方法具有很好的自适应性及提取能力，可以在无需预设趋势项类型的前提下，通过esmd自适应分解自动分离信号趋势项和噪声分量，并通过k-l散度度量获取具有较高精度的信号有效分量；而且与常规方法相比，本发明方法的提取结果更优，具有相对更高的提取精度。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。