第 26 卷 第 2 期 农 业 工 程 学 报 Vol.26 No.2
190 2010 年 2 月 Transactions of the CSAE Feb. 2010
集合经验模式分解在旋转机械故障诊断中的应用
窦东阳
1
,赵英凯
2
(1.南京工业大学机械与动力工程学院,南京 210009; 2.南京工业大学自动化与电气工程学院,南京 210009)
摘 要:为了抑制经验模式分解中的模式混淆现象,提高分析精度,引入集合经验模式分解(EEMD)算法。在分析信
号上叠加适当的随机高斯白噪声序列,改变信号的局部时间跨度,从而改变一次经验模式分解(EMD)中分析的特征尺
度,通过足够多次 EMD 分解,相当于从多个角度提取信号的本质,最后由所有次分解得出的各本征模态函数(IMF)的
均值作为输出,不但消除了人为噪声的影响,还清晰还原了信号的内在过程,准确揭示了其真实物理意义。通过仿真试
验和实际的动静碰磨故障案例证实了 EEMD 算法的有效性,并与基本 EMD 算法和高频谐波法进行了对比,结果表明,
EEMD 虽然耗时较多但结果更准确,在旋转机械故障诊断领域应用前景广泛。
关键词:旋转机械,故障诊断,集合经验模式分解,模式混淆,动静碰磨
doi:10.3969/j.issn.1002-6819.2010.02.033
中图分类号:TH17,TP206 文献标识码:A 文章编号:1002-6819(2010)-02-0190-07
窦东阳,赵英凯. 集合经验模式分解在旋转机械故障诊断中的应用[J]. 农业工程学报,2010,26(2):190-196.
Dou Dongyang, Zhao Yingkai. Application of ensemble empirical mode decomposition in failure analysis of rotating
machinery[J]. Transactions of the CSAE, 2010, 26(2): 190-196. (in Chinese with English abstract)
0 引 言
旋转机械(如发电机、水泵、以及各种农机中普遍
存在的轴承、齿轮等零部件)是现代农业生产中的重要
设备,一旦出现故障,可能导致巨大的经济损失甚至人
员伤亡,因此,其故障诊断技术备受重视
[1-2]
。旋转机械
故障诊断的关键是故障特征提取,当旋转机械设备出现
异常或发生故障时,其振动信号多表现为非线性、非平
稳特征
[3]
。对这类信号傅立叶变换只能给出频域的统计平
均结果,无法展现反映故障本质的时频局部化特征,结
果往往充斥虚假谐波,参考价值不大。而传统的时频分
析方法虽然同时兼顾了时域和频域两方面,但也普遍存
在一些致命缺陷,影响实际使用。如短时傅立叶变换由
于窗口固定不适合分析多尺度和突变信号;Wigner 分布
存在严重交叉干扰项,而改进的 Choi-William 分布又牺
牲了分辨精度;小波变换由于基函数长度有限,产生能
量泄漏
[4]
,影响分辨力,且结果依赖小波基选择和分解尺
度,自适应性不佳。 希 尔 伯特黄变换(Hilbert-Huang
Transform,HHT)
[5]
由美国航空航天局 Dr. Huang 于 1998
年提出,被认为是近年来对以傅立叶变换为基础的线性
和稳态谱分析的一个重大突破。其核心是经验模式分解
(empirical mode decomposition,EMD),能把复杂信号
分解成若干个本征模态函数(intrinsic mode function,
IMF)之和。由于 EMD 是完全自适应的,分解非常有效,
收稿日期:2009-07-27 修订日期:2009-10-08
基金项目:江苏省自然科学基金(BK2009356);江苏省高校自然科学研究项
目资助(09KJB510003);南京工业大学博士学位论文创新基金(BSCX200905)
作者简介:窦东阳(1983-),男,江苏扬州人,博士生,主要研究方向为
智能故障诊断。南京 南京工业大学机械与动力工程学院,210009。
Email: ddy41@163.com
尤其适用于非线性和非平稳过程分析
[6]
,被广泛应用在旋
转机械的故障诊断中
[7-9]
。
然而 EMD 算法本身也存在一些不足,如均值与停止
条件、端点效应、模式混淆等。针对前两者,已有大量
的研究工作,如文献[3,6,10-15]等进行了有效的改进,效
果较好。而模式混淆是指在 1 个 IMF 中包含差异极大的
特征时间尺度,或者相近的特征时间尺度分布在不同的
IMF 中
[16]
,往往表现为相邻 2 个 IMF 波形混叠,相互影
响,难以辨别。引起模式混淆的因素不仅包括间断信号,
还包括脉冲干扰和噪声
[15]
,统称为异常事件。针对模式
混淆问题目前也有一些改进方法,如文献[17]将相关 IMF
中的异常信息直接滤除,再用样条插值拟合滤除时段的
数据,只适合处理已知短暂异常引起的混淆,对大多数
情况不适用。而文献[18]提出的“伪波法”和文献[15]提
出的“高频谐波法”简单有效,方便使用,但真实信号
分量容易失真,且需要一定的后处理。Wu and Huang
[19]
近年提出一种集合经验模式分解(ensemble empirical
mode decomposition,EEMD)方法,能有效抑制模式混
淆,还原信号本质,被认为是 EMD 算法改进的一个重大
成果
[16]
。
本文旨在现有 EEMD 算法的基础上做一些深入探
讨,阐述分解机理和结果含义,给出算法参数的一般参
考值,并通过仿真信号与 EMD 比较优劣;进一步尝试在
旋转机械故障分析中的效果,通过实际的动静碰磨案例,
与 EMD 及高频谐波法对比,以期更好地揭示故障本质,
提高旋转机械诊断的水平。
1 EMD 与 EEMD 基本原理
EMD 假设任何信号都是 由 不 同 的 本征模态函数
(IMF)组成,每个 IMF 可以是线性的,也可以是非线