强噪声背景下滚动轴承微弱故障特征信号的经验模态分解

发布时间：2021-04-16 23:11

　　针对强噪声背景下滚动轴承早期微弱故障信号经验模态分解问题,提出了一种基于级联自适应分段线性随机共振系统降噪的经验模态分解方法。该方法依赖于级联自适应分段线性随机共振系统优良的降噪特性,首先对含噪信号进行降噪处理,然后再进行经验模态分解。通过对轴承故障仿真信号和滚动轴承实验信号的分析,结果表明该方法能有效滤除高频噪声,减少经验模态分解阶数,提高经验模态分解的质量,实现强噪声背景下滚动轴承早期微弱故障特征提取。 

【文章来源】：振动工程学报. 2020,33(03)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

图1 分段线性模型势函数

图2 分段线性随机共振系统结构框图

将若干个图2所示的分段线性随机共振系统进行串联相连，即可构成图4所示的级联分段线性随机共振系统。原始信号经过每级分段线性随机共振系统处理后，都进行EMD分解，并判断分解结果的第1阶IMF是否为特征信号频率。若是，则停止级联运算，否则继续进行级联运算，直到特征信号频率出现在分解结果的第1阶IMF中。通过这种级联形式，可以促使待测信号中的高频能量不断地向低频转移。因此，原始信号得以充分降噪。通过量子粒子群算法，使得每级系统输出均达到最佳随机共振，直到高频噪声能量几乎全部转移到低频特征信号中，从而保证特征信号频率出现在EMD分解结果的第1阶IMF中，则级联分段线性系统输出最佳响应xP(t），此过程被称为级联自适应分段线性系统的随机共振（Cascaded Adaptive Piecewise-Linear Stochastic Resonance,CAPLSR）。图4 级联分段线性随机共振系统结构框图


本文编号：3142341