您好,欢迎访问三七文档
当前位置:首页 > 行业资料 > 其它行业文档 > 一种改进的EEMD方法及其应用研究
收稿日期:修订日期:(日期待编辑部填写)基金项目:国家优秀青年科学基金(51222503)、教育部新世纪优秀人才支持计划(NCET-11-0421)和陕西省自然科学基础研究计划项目资助。一种改进的EEMD方法及其应用研究孔德同1,范炜1,雷亚国2,丁小川1,王志1(1.华电电力科学研究院,浙江杭州310030;2.西安交通大学机械制造系统工程国家重点实验室,陕西西安710049)摘要:针对集成经验模式分解(Ensembleempiricalmodedecomposition,EEMD)中协助噪声幅值大小需要人为经验确定的不足,基于经验模式分解(Empiricalmodedecomposition,EMD)二进滤波器特性,讨论了EMD出现模式混淆的原因,研究了EEMD中协助噪声幅值大小的确定原则,提出基于极值点分布特性的改进EEMD方法,通过遍态历经,以极值点分布特性为评价参数,自适应确定EEMD方法中高斯白噪声优化幅值。通过数据仿真,验证了其有效性。最后,应用于转子早期故障诊断中,结果显示可以自适应确定噪声幅值,避免参数人为选择导致分解结果的盲目性,有效抑制了传统EMD方法的模式混淆现象,可有效识别转子早期碰磨引起的故障特征。关键词:改进EEMD;极值点分布特性;故障诊断中图分类号:TH17文献标识码:A引言EMD是美国工程院N.HUANG博士于1998年提出的一种自适应数据处理方法,在非线性、非平稳信号分析中具有显著优势。与FFT、小波分解等不同,EMD方法无需选择基函数,其分解完全基于信号本身极值点分布,通过多次筛选,将信号分解为多个表征信号中某种单一模态的本征模式分量(Instrinsicmodefunction,IMF)与一个趋势项,得到国内外广泛关注[2]。然而,当信号的极值点分布不均时,EMD分解结果会出现“过冲”、“欠冲”现象,导致模式混淆[3]。针对以上问题,Zhao等[4]2009年提出EEMD方法,通过对信号加入高斯白噪声,改善信号极值点分布,减小模式混淆。EEMD方法已被成功应用于转子[5]、轴承[6]、电机[7]等机械设备的故障诊断中。2009年陈略等[8]指出EEMD加入高斯白噪声的幅值不能改变原始信号高频成分极值点分布,然而文章提出的高频成分依赖于EMD分解结果,当EMD分解得到的第一个IMF存在模式混淆时,导致EEMD加入噪声不准确。2010年JianZhang等[9]研究了EEMD方法中加入的高斯白噪声幅值及总体平均次数两个参数,从加入的高斯白噪声与原始信号能量比的角度规定了加入噪声的原则,但是该方法仅仅考虑了由两种成分组成的信号,对于存在多种模式分量的信号未展开研究。2010年,雷亚国通过改进Hilbert-Huang变换,提出敏感IMF的选择方法,成功诊断出转子早期碰摩故障[10],2013年雷亚国等[11]以有色噪声代替高斯白噪声,有效改善了信号的极值点分布,但该研究工作并未建立加入噪声大小的准则。针对EEMD方法中加入的高斯白噪声幅值大小问题,本文提出基于极值点分布特性的改进EEMD方法。研究了EEMD加入噪声的准则,利用全局寻优,以极值点分布特性为评价函数,建立了EEMD方法中信号极值点分布特性与加入噪声大小的对应关系,评估不同噪声大小对原始信号极值点的改善程度,可实现噪声幅值的自适应优化选取,消除参数人为选择导致分解结果的盲目性与主观性。1基本原理1.1EEMD方法基本理论EMD/EEMD方法本质上是基于极值点的筛选过程。以仿真信号为例,EMD分解时,如图1所示,利用信号的极大值与极小值,通过三次样条拟合出极大值包络与极小值包络,得到局部均值。将信号减去局部均值,重复以上过程,直到筛选出的成分满足IMF条件。最后,信号依次被分解为若干个频率由高到低的IMF与一个趋势项,如图2所示。当极值点分布不均时,通过插值得到的局部均值发生扭曲,导致筛选结果出现模式混淆现象。因此,极值点分布特性是EMD分解结果的决定性因素。针对极值点分布问题,EEMD对信号加入高斯白噪声,利用白噪声的频率均布特性,改善信号极值点分布,通过多次分解取平均,减小加入噪声对分解结果的影响,得到EEMD分解的最终结果。其算法流程如图3所示。图1EMD筛选示意图Fig.1EMDfilterschematic时间t/s幅值A/g00.20.40.60.81-20-1001020304050信号上包络下包络局部均值图2EMD筛选结果Fig.2EMDsiftingresults图3EEMD算法流程图Fig.3FlowchartofEMDalgorithm1.2EEMD方法加入噪声大小准则当信号不连续时,极值点分布不均,EMD分解结果会出现模式混淆现象,具体表现为:①不同尺度的振动信号被分解在同一个IMF中;②同一尺度的信号被分解在不同IMF中。EEMD对信号加入高斯白噪声,改善信号的极值点分布,通过借助高斯白噪声的频率均布特性,在频域为信号构建频率均布的尺度,信号中的相应成分自动映射到高斯白噪声建立的不同尺度中,克服模式混淆。然而,加入的噪声幅值大小需要人为经验决定。噪声幅值优化问题一直是影响EEMD的瓶颈。当噪声幅值较小时,由于噪声振动微弱,难以改善信号高频成分的极值点分布,导致EEMD分解结果与EMD类似,无法克服模式混淆不足。另一方面,为了避免同一尺度的振动信号被分解在不同IMF中,应避免加入的高斯白噪声幅值较大,噪声幅值较大时,噪声振动剧烈,剧烈振动的噪声破坏了低频成分的极值点分布,噪声协助信号xm(t)的极值点均由高斯白噪声诱发,导致EEMD分解结果会产生多余成分,出现模式混淆。尽管Zhao等人[4]指出按照下式确定加入的高斯白噪声大小e。Ne或者0ln2lnNe式1其中α为加入加入幅值为e的高斯白噪声平均N次后分解误差。通过大量仿真验证,一般建议e取0.2然而,该方法并未考虑加入高斯白噪声后信号的极值点分布特性,在实际应用中往往需要根据分解结果多次调整加入的高斯白噪声大小再次分解。因此,加入的高斯白噪声大小应在未破坏原始信号低频成分极值点分布特性基础上尽可能改善高频成分极值点分布。2基于极值点分布特性的改进EEMD方法通过以上分析,不难看出,EEMD方法加入噪声后应保证极值点在各尺度分布最具离散性,进而增强各尺度的可区分性,减小各尺度间的模式混淆。因此,若以极值点分布特性为评价参数,通过测试加入不同大小高斯白噪声后的极值点分布情况,遍态历经,可以自适应确定高斯白噪声优化幅值,保证在未破坏原始信号低频成分极值点分布特性基础上,使得信号高频成分的极值点分布最为均匀。根据以上思路,本文提出基于极值点分布特性的改进EEMD方法,其实现过程如下:1)初始确定加入高斯白噪声的最大幅值e及网格数I,确定网格i对应的噪声大小ei=i/I*e,其中i=1,2,…I。如图4所示。针对最大幅值e及网格数I,①e过小,可能导致高斯白噪声优化幅值没有落在寻优范围内;e过大,加入的高斯白噪声会破坏高频成分的极值点分布,导致分解结果失真;②I过小,相邻网格对应的噪声幅值相差较大,寻优结果与高斯白噪声优化幅值存在较大差异;I过大,相邻网格对应的噪声幅值相差很小,对应的EEMD分解结果差异性很小。通过上述分析及大量数据仿真结果表明,一般e取0.5,I取1000即可满足要求。图4改进EEMD算法的噪声寻优方法Fig.4OptimizationmethodfortheimprovedEEMDalgorithm2)对信号x(t)依次加入幅值大小为ei的高斯白噪声ni(t),得到xi(t)=x(t)+ni(t),遍态历经,得到噪声协助信号xi(t)的极大值与极小值对应的位置Max(ji)、Min(ji),以信01000噪声幅值eiFi幅值e优化幅值ey网格编号i010000.5噪声幅值eI开始输入信号x(t)初始化噪声大小e、总体平均次数M第1次分解第2次分解第M次分解EMD分解EMD分解EMD分解加入高斯白噪声x2(t)=x(t)+n2(t)加入高斯白噪声xM(t)=x(t)+nM(t)加入高斯白噪声x1(t)=x(t)+n1(t)结束得到一系列IMF:c1,i得到一系列IMF:c2,i得到一系列IMF:cM,iMmimicMc1,1计算总体平均-20020-202-101-1001000.20.40.60.8101020时间t/s幅值A/gIMF1IMF2IMF3IMF4R号xi(t)极值点分布特性Fi为评价参数:22)))()1((()))()1(((iiiiikMinkMinDjMaxjMaxDF(ji=1,2,…Ji,ki=1,2,…Ki)其中,D代表标准差,Ji为信号xi(t)的极大值点数,Ki为信号xi(t)的极小值点数;一般来说,随着噪声ei幅值的不断增大,原始信号的高频成分极值点分布逐步被改善,Fi逐渐增大(若原始信号的极值点分布较为均匀,则Fi基本保持不变);当噪声ei幅值增大到一定程度时,加入的高斯白噪声破坏了高频成分的极值点分布,导致信号极值点均由高斯白噪声诱发,Fi迅速减小,直至趋于稳定。因此,Fi迅速减小时所对应的高斯白噪声ei即为优化幅值ey。3)、按照加入噪声大小准则,自适应确定高斯白噪声优化幅值ey,EEMD分解。图5为改进EEMD方法的流程图。图5改进EEMD方法流程图Fig.5FlowchartofimprovedEEMDmethod3仿真与工程应用3.1仿真验证旋转机械正常工作时一般呈现周期性的运动,用谐波分量代表设备的旋转振动信号。由于旋转机械的损伤故障通常表现为高频冲击响应特性,且在时域上不连续,呈现出冲击与调制。因此,仿真一组包括冲击c1、调制c2、谐波分量c3等3个成分的信号S表示故障信号,示于图6中。图6仿真信号Fig.6Simulatedsignal利用本文提出的基于极值点分布特性的改进EEMD方法对信号S进行分解。初始化噪声最大值e=0.5,网格数1000,得到信号的极值点分布与噪声大小的曲线如图7。图7仿真信号极值点与噪声大小的对应关系Fig.7Relationshipbetweentheextremepointsofthesimulatedsignalandnoiselevel从图7中可以看出,当加入的噪声较小时(ei0.008),噪声振动微弱,极值点分布的离散性随噪声的增加而增大,这是由于加入的噪声振动微弱,仅仅改善了信号中某些低频成分的极值点分布,导致极值点分布呈现较大的离散性;当噪声大小进一步增大,达到ei=0.008时,极值点分布特性Fi达到最大值,信号的极值点离散性最大。随后,当加入的噪声较大时(ei0.008),极值点分布的不均匀性随噪声的增加而减小,最后趋于稳定,主要是由于随着噪声较大,振动剧烈,剧烈振动的噪声破坏了高频成分的振动特性,噪声协助信号的极值点全部是由加入噪声诱发。根据极值点分布特性与噪声大小的对应曲线可以确定,最优噪声大小为0.008,将确定大小的高斯白噪声加入仿真信号s进行EEMD分解,分解得到的IMF如图8。00.10.20.30.40.505101520噪声大小A幅值A/g高斯白噪声优化幅值0.008时间t/s幅值A/g-101-303-50500.10.20.30.40.5-808c1c2c3S初始化噪声最大值e,网格数I对信号x(t)依次加入幅值为ei的噪声ni(t)得到xi(t)=x(t)+ei(t)确定网格i对应的噪声大小ei=i/I*e输入信号x(t)确定xi(t)所有极大值点与极小值所在位置Max(ji)、Min(ji)计算Fi得到信号的极值点分布与噪声大小的曲线自适应确定高斯白噪声优化幅值ey,EEMD分解结束图8仿真信号的改进EEMD分解结果Fig.8ImprovedEEMDdecompositionresultsofthesimulatedsignal可以看出,分解得到的前三个IMF分别是冲击(IMF1)、调制(IMF2)、谐波分量(IMF3),依次对应原始信号中的各组成成分c
本文标题:一种改进的EEMD方法及其应用研究
链接地址:https://www.777doc.com/doc-6075929 .html