灰色EMD-AR模型在机械振动诊断中应用的研究.docVIP

★★★★★ 灰色EMD-AR模型在机械振动诊断中应用的研究 袁 幸，段志善 （西安建筑科技大学振动应用与故障诊断研究所，西安 710055） 摘要：本文提出了一种新的故障诊断方法：EMD-AR模型灰色识别法。首先对振动信号进行EMD分解，然后重新组合基本模式分量（Intrinsic Mode Function，IMF）依重组分量建立AR模型，将模型自回归参数和模型的残差方差组成特征向量，利用灰色关联度作为模式识别的方法，实现了对旋转机械的精密诊断。 关键词：灰色关联度；EMD；AR模型；故障诊断 Application Research of Grey AR-EMD Model in Mechanical Vibration Diagnosis Yuan Xing, DuanZhishan (Research Institute of Vibration Application and Fault Diagnosis, Xi’an University of Architecture Technology, xi’an 710055) Abstract: This article proposed one new fault diagnosis method: grey incidence analysis of EMD-AR model. First take EMD to the vibration signal to decompose, then recombines the basic pattern component (Intrinsic Mode Function, IMF) establishes the AR model according to the reorganization component, the model from the return parameter and the model residual error variance composition characteristic vector, the use of grey incidence degrees as pattern recognition method realized to revolved the machinery precise diagnosis. Keywords: grey incidence degrees；EMD；AR model；faults diagnosis 1 引言 在机械故障诊断中，由于机器各零部件结构不同，产生的信号往往含有大量的非平稳成分，时频分析是有效的分析方法。传统的Wigner-Ville分布采用了双线性变换而不是线性变换，因此对多分量信号进行分析时会有严重的交叉项。小波变换由于其多分辨率的特性而被广泛应用，但小波变换本身只是窗口可调的Fourier变换，由于小波基长度有限，对信号时频分析时就会发生能量泄露，小波基函数的选择也是个难题。EMD是一种新型自适应的信号处理方法，能把复杂信号分解为有限的IMF之和，每个IMF所包含的频率成分是随信号本身而变化的，非常适合处理非线性、非平稳信号。 AR时序模型是一个信息的凝聚器，可将系统的特性与系统的工作状态的所有信息都凝聚于其中，故而可依据它对系统的状态进行诊断[1]。结果表明：先利用EMD处理振动信号，再用AR时序模型灰色识别法[2]可有效的对旋转机械的工作状态和故障模式进行分类与识别，为旋转机械诊断提供了一种新方法。 2 EMD基本原理 2.1 基本算法[3－4] EMD方法假设任何信号都由不同的IMF组成，每个IMF可以是线性的，也可以是非线性的，IMF分量必须满足下面两个条件：一是其极值点个数和过零点数相同或最多相差一个，二是其上下包络线关于时间轴局部对称。这样任何一个信号就可以分解为有限个IMF之和，而IMF可以按以下方法“筛分”获得： （a）确定信号的所有局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线。再用三次样条线将所有的局部极小值点连接起来形成下包络线，这两条包络线包络了所有的信号数据。 （b）上下包络线的平均值记为，求出， 理想地，如果是一个IMF，那么就是的第一个分量。 （c） 如果不满足IMF条件，把作为原始数据，重复（1）、（2）得到上、下包络线的平均值，再判断是否满足IMF条件，如不满足，则重循环k次，得到，使得满足IMF条件。记，则为信号的第一个满足IMF条件的分量。 为了保证IMF分量在幅值和频率上都有明确的物理意义，对筛分的迭代次数必须有所限制，过多的迭代次数将可能使得所有IMF分量成了一个具有常幅值的调频信号