基于EMMD和AR奇异值熵的故障特征提取方法研究..docx

基于 EMMD和 AR奇异值熵的故障特征提取方法研究摘要：针对不同故障特征提取方法的准确性不同，本文提出了一种基于极值域均值模式分解EMMD (Extremum Field Meanmode decomposition)和 AR ( autoregressive)奇异值熵的故障特征提取方法。极值域均值模式分解( EMMD) 方法是经验模式分解( EMD) 的改进，可以很好地处理非平稳信号并减少噪声的干扰。以 EMMD 为信号处理工具，对信号进行分解得到若干本征模函数( IMF) ，再利用 AR 模型的自回归参数对状态变化规律反应敏感的特性, 选取故障信号 IMF分量的 AR模型参数向量作为故障的初始特征向量，然后求得若干个IMF分量的 AR模型参数向量的奇异值熵 H; 最后比较奇异值熵 H 来判断故障类型。该方法能够有效地应用于非线性和非平稳故障信号的特征提取。关键词:极值域均值模式分解(EMMD); AR 模型; 奇异值熵; 故障特征提取引言：随着现代科学技术的发展，现代化机械设备的结构日趋复杂，其故障类型也越来越多，反映故障的状态、特征也相应增加。在实际的故障诊断中，为了使诊断结果准确可靠，需要采集尽可能多的样本，以获得足够的故障信息。但样本的增多，会占用大量的存储空间和计算时间，因此要从样本中提取出对诊断故障贡献大的少量的有用信息。这一工作就是特征提取。特征提取是利用已有特征参数来构造一个低维数的特征空间，将原始特征中蕴含的有用信息映射到少数几个特征上，略出多余的不相干信息。从数学意义上讲，就是对一个n维向量X进行降维，变换为低维向量Y。其中Y含有向量X的主要特性。特征提取的方法有很多，常用的方法主要有概率距离法、欧式距离法、散度准则法、统计直方图法等。本文针对现有方法的局限性，提出了一种基于极值域均值模式分解EMMD和 AR 奇异值熵的故障特征提取方法。1.经验模式分解EMD经验模式分解(EMD empiricalmode decomposition ）是1988年由美籍华人 Norden E. Huang等人提出的一种适合于非线性、非平稳信号的信号处理方法，多年来广泛应用于故障诊断领域。EMD方法使用自适应的广义基函数将信号分解为有限个固有模态函数之和 , 能够很好地突出信号的局部特征, 非常适用于非线性、非稳态的信号序列处理, 在诸多方面的处理效果都优于其他的信号处理方法。在故障信号提取中，通常将EMD方法和 AR ( autoregressive)模型相结合, 提取振动信号的内禀模态函数 AR 模型的自回归参数和残差的方差作为故障特征向量。但是这种方法数据量庞大且易受采样时间的影响, 极大地影响了特征向量的准确性和计算时间。而且由于受其本身的边界效应影响, EMD方法的性能也受到了严重制约。针对以上故障特征提取方法中的不足，本文提出了一种基于极值域均值模式分解EMMD ( extremumfield meanmode decomposition) 和 AR 模型的奇异值熵故障特征提取方法。该方法以 EMMD 为信号处理工具，在对故障信号进行EMMD的基础上, 利用 AR 模型的自回归参数对状态变化规律反应灵敏的特性, 选取故障信号 IMF分量的 AR模型参数向量作为故障的初始特征向量;并将奇异值熵引入到AR模型参数向量中, 充分发挥奇异值熵的信息量评估和分析优势, 并减少特征向量对采样时间的敏感度, 实现故障信号的特征向量提取，并极大地提高故障特征提取的准确性。该方法在对非线性和非平稳故障信号特征提取时优势更加明显。2.极值域均值模式分解EMMD 2.1 EMMD信号分解提取方法EMMD算法是在EMD和ATVFD算法的基础上改进出的改进算法，即极值域均值模式分解。这种分解法的局部均值的获取基于定积分中值定理，其基本思想是找出局部极值点，使用与其相邻的 2个极值点间的所有数据进行三次样条插值求出均值曲线。这种方法的每次分解过程只需一次 3次样条插值。经验证,相对于EMD和ATVFD，EMMD算法具有分解精度更高，耗时更短的优点。 2.2 EMMD算法步骤针对离散信号进行EMMD分解具体算法：步骤1：初始化，令；步骤2：通过计算局部极值点附近的局部均值和拟合局部均值曲线，求取第个IMF分量；步骤2.1：初始化，，令；步骤2.2：找出的局部极值点；步骤2.3：对的局部极值点，使用积分中值定理求出各点对应的局部均值；步骤2.4：对局部均值进行三次样条插值拟合，得到均值曲线；步骤2.5：令；步骤2.6：依照终止筛选准则则，为一个基本模式分量（即IMF分量）；否则，转回步骤2.2步骤3：；步骤4：若的极值点少于2个，则，转到步骤2；否则分解结束，是残余分量。2.3 EMMD方法在鼠笼异步电动机转子故障诊断的应用鼠笼异