EEMD-ICA联合降噪的旋转机械故障信号检测方法

• 作者: 高康平 徐信芯 焦生杰 师宁
• 来源期刊: 噪声与振动控制
• 学科: 工学
• 关键词: 故障诊断 独立成分分析 聚合经验模态分解 微弱信号检测
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 信号处理与故障诊断
• 页码范围: 95-101
• 页数: 7页
• 分类号: TP206+.3
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1355.2022.02.016

摘要

针对旋转机械前期故障信号微弱、易被噪声淹没、故障特征难以提取的问题,提出一种聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和独立成分分析(Independent Component Analysis,ICA)相结合的故障特征提取方法.首先,运用EEMD理论将振动信号分解为一系列的固有模态函数(Intrinsic Mode Function,IMF),然后根据相关系数和均方根准则选取含有原始信号多的IMF分量构造观测信号,引入虚拟噪声通道;最后,通过FastICA算法将噪声与故障特征信号进行分离,并对分离出的有用信号进行频谱分析,突显故障频率.通过仿真信号验证所提出方法的有效性,并将其应用于轴承的内外圈故障识别,与传统的EEMD-WTD降噪方法对比,结果表明:所提出的方法能提取出清晰微弱故障特征信号,对低频噪声的抑制效果明显优于EEMD-WTD方法.