[發明專利]基于改進經驗小波分解的信號分解方法

有效

• 申請號: 201910253086.1
• 申請日: 2019-03-29
• 公開（公告）號: CN109948286B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 鄭直
• 申請（專利權）人: 華北理工大學
• 主分類號: G06F18/213
• 分類號: G06F18/213
• 代理公司: 唐山永和專利商標事務所 13103
• 代理人: 張云和

本發明涉及一種基于改進經驗小波分解的信號分解方法，包括：對故障信號進行Fourier功率譜密度譜線求取，選取若干不同大小閾值對上述干擾成分譜值進行剔除處理，并基于新譜線將故障信號進行分解處理，利用故障特征能量比信息篩選最優閾值、最優分解結果和含有豐富故障特征信息的模態分量。本發明在干擾背景下，仍能有效地最優分解出含有豐富故障特征信息的模態分量、消除干擾、抑制模態混疊和過度分解現象，獲得理想分解結果，彌補了EWT的不足，豐富了模態分解的理論方法。

技術領域

本發明涉及旋轉機械的故障信號處理方法，具體是一種基于改進經驗小波分解的信號分解方法。

背景技術

液壓泵、液壓馬達、電機、軸承、齒輪和轉子等旋轉機械被廣泛地應用于各個重要工業領域，它們所面臨的工作環境也趨向于高溫、高壓、高速、重負載等惡劣工況，加速了旋轉機械健康狀態的劣化，因此對旋轉機械的智能故障診斷具有十分重要的意義。旋轉機械故障的振動形式和傳遞路徑十分復雜，故障信號具有非線性和非平穩性等特點，且容易被設備引入噪聲、背景噪聲和電磁等干擾。因此，如何有效地提取含有故障特征信息豐富的模態分量、抑制干擾就成為一個關鍵問題。

小波變換的缺點為：沒有一個可以遵循的原則和判據來選擇合適的小波基函數與信號形態特征進行準確匹配；一旦確定了基函數，在分解的過程中它將不會根據信號的形態特征而更改，導致了它不具有真正意義上的自適應性；再次，雖然小波具有“數學顯微鏡”的功能，一旦確定了基函數和尺度因子后，它的分辨率也就隨之確定；最后，和短時Fourier變換的局限性一樣，小波變換雖然具有多尺度多分辨能力，但是要求小波窗內的信號必須是近似平穩(偽平穩)的。

傳統的經驗模態分解具有的缺點為：比如模態混疊，它不能有效地基于信號形態特征將特定時間尺度的模態函數分離，使得不同模態分量出現在同一分解結果中，或者是將同一個模態分量分解到多個分解結果中；比如端點效應，模態分量的數據邊緣會出現發散現象，而且在迭代過程中，這種邊緣發散會逐漸向內污染，并隨著迭代次數的增加，會使得數據序列嚴重失真，出現模態混疊和虛假分量。

針對上述問題，Gilles在論文《Empirical Wavelet Transform》提出了一種非線性和非平穩信號的處理新方法，即經驗小波分解(Empirical Wavelet Transform,EWT)，同時它融合了小波變換和經驗模態分解二者的優點。EWT通過分割Fourier幅值譜，并在每個分割區間建立小波正交基，能夠將一個多模態信號分解為若干個具有緊支集頻譜的調幅-調頻信號之和。但在干擾背景下，它無法有效地分解出含有豐富故障特征信息模態分量，極有可能出現模態混疊和過度分解現象。

發明內容

本發明針對在干擾背景下，經EWT無法有效地分解含有豐富故障特征信息模態的問題，提供一種基于改進經驗小波分解(Improved Empirical Wavelet Transform,IEWT)的信號分解方法，該方法使用條件更寬泛，分解效果更明顯。

本發明解決其技術問題采用的技術方案是：

一種基于改進經驗小波分解的信號分解方法，包括如下步驟：

(1)功率密度譜求取

對故障信號進行功率密度譜的計算；

(2)基于功率密度譜的閾值剔除

利用不同閾值將故障信號的功率密度譜中小于該閾值的譜值剔除，得到新譜值序列；

(3)故障信號分解處理

對功率密度譜在[0π]范圍內分割成N個連續區間，在每個區間建立小波正交基，將故障信號分解為N個模態分量之和；

(4)最優分解結果篩選