本发明涉及信号与信息处理领域，具体地，涉及一种基于eemd稀疏分解的轴承故障识别方法及系统。
背景技术：
恶劣工况环境下长时间运行的大型轴承经常处于高负荷、强高温、强高压与高湿、强电磁干扰以及强耦合状况下，运行过程中的材料老化、高温高压、突加载荷作用、设计缺陷尤其是异常振动因素会对轴承产生无法逆转的损伤积累。与此同时，由于整台轴承的正常运行受到故障的严重影响，而绝大多数情况下是由于某些关键部位运转不正常所致，这对轴承造成了永久性破坏的同时也会带来巨大的经济损失。如何保障轴承的稳定、可靠、安全运行成为了轴承运行维护时需要关注的热点问题。
由于振动信号直接代表故障轴承的动态特性，这导致它们对故障的敏感性，因此它们被广泛应用于检测轴承故障。当前，对于大型机械轴承的故障诊断主要集中在采集设备运行的振动状态参数进而实现状态监测和故障诊断上。通过分析机械振动信号的各种参量变化如时域、频域与幅值域的变化态势来研判机械故障进而实施预警。与此同时，故障特征的提取方法已经由常规方法(如快速傅里叶变换、功率谱估计、时频分析和轴心轨迹)向更高层次方向(角域分析、全息谱和分形维数等)发展。如：将机械振动的幅度、频率、相位、角动量等多信息融合在一起进行研判的全息谱理论对于提升机械故障的诊断水平意义重大。
技术实现要素：
本发明提供一种基于eemd稀疏分解的轴承故障识别方法及系统，通过信号频率随时间变化的规律对信号进行处理，采用eemd稀疏分解方法作为一种有效的自适应算法尤其针对非平稳信号处理来进行分解，对于各自独立的imf分量而言，其皆具备信号的尺度特征并具有随之变化的特性。为进一步明确故障与非故障事件的差异，展开面向独立imf分量的重点研究，然后依据imf的特性分布进行分析位于不同频带内故障振动信号的能量分布，再同正常状态下的能量分布进行比较。同时借助能量熵的判定方法来判断故障行为的类别。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种轴承故障振动信号特征提取与识别方法，包括以下步骤：
步骤100，获取轴承振动信号并转换成电信号；
步骤200，向电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行emd分解得到多个imf分量和一个余项；
步骤300，对多个imf分量进行稀疏处理；
步骤400，对步骤200和步骤300进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶imf分量进行总体平均计算；
步骤500，利用总体平均后的imf分量计算轴承振动信号的能量熵，结合能量分布状况对轴承故障类型进行识别。
第二方面，本发明提供一种基于eemd稀疏分解的轴承故障识别系统，其特征在于，包括：
预处理模块，获取轴承振动信号并转换成电信号；
eemd稀疏分解模块，向电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行emd分解得到多个imf分量和一个余项；对多个imf分量进行稀疏处理；进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶imf分量进行总体平均计算；
分类识别模块，利用总体平均后的imf分量计算轴承振动信号的能量熵，结合能量分布状况对轴承故障类型进行识别。
第三方面，本发明提供一种电子设备，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，以实现本发明第一方面所述的一种基于eemd稀疏分解的轴承故障识别方法。
第四方面，本发明提供一种计算机可读存储介质，所述存储介质中存储有用于实现本发明第一方面任一项所述的一种基于eemd稀疏分解的轴承故障识别方法的计算机软件程序。
本发明的有益效果是：在获取振动信号后，进行emd分解，然后对经过emd分解得到的imf分量进行稀疏处理，借鉴图像处理中的稀疏处理方法，对emd分解后得到的多个imf分量进行精细化处理，以imf分量中所包含的故障特征，然后再进行总体平均，利用了白噪声加入后其频率呈现均匀分布的特征很好地避免了该问题的发生并同时获取了时频的真实属性。加入的白噪声分量亦能够在同阶imf求总体均值的运算下实现完全降噪。但实际分解效果与迭代轮次的递增并不存在线性关联，因此对于迭代次数的选择应该根据实验结果来具体选取。此种方法较同类方法而言能够更好地实现针对振动信号的去噪以及精细化处理。
附图说明
图1为本发明实施例提供的方法流程图；
图2为本发明实施例提供的1200r/min转速下轴承故障振动信号的时域与频域图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种轴承故障振动信号特征提取与识别方法，包括以下步骤：
步骤100，获取轴承振动信号并转换成电信号y(t)。
步骤200，向经过稀疏处理后的电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行emd分解得到多个imf分量和一个余项。
步骤300，对多个imf分量进行稀疏处理。
稀疏处理的过程是利用高振幅、低振幅字典{ah,al}对电信号y(t)进行重建，得到重建后的信号x(t)。具体的，包括以下内容：
利用三次插值过程将电信号y(t)恢复为与目标高振幅分量大小相同的低振幅样本yl(t)；
采用s组高通滤波器对低振幅样本yl(t)进行滤波处理；
将高通滤波后的yl(t)分解成维数为
基于omp方法得到稀疏系数{αk}；
采用高振幅字典{ah}和稀疏系数{αk}得到高振幅分量块xk＝ahαk；对得到的高振幅分量块进行拼接，对重叠部分进行均值处理；
结合插值得到的低振幅分量yl(t)，重建高振幅分量：
式中，rk表示分量块的特征提取矩阵。
该步骤中，借鉴图像处理中的稀疏处理方法，对emd分解后得到的多个imf分量进行精细化处理，以imf分量中所包含的故障特征。
在进行稀疏处理之前，需要构建超完备字典a，字典学习过程如下：
从imf分量集合中选择振幅较大的imf分量
h(x)＝αj(x)fj αj 1(x)fj 1 βj(x)f′j βj 1(x)f′j 1
其中三次插值的基函数值为：
预处理过程需要对imf的高振幅分量集合内的低频部分的信息进行过滤，确保字典对这部分的特征信息有充分的表达，可以采用差分记录方式进行处理如下：
基于imf高振幅分量、低振幅分量样本
然后imf高振幅分量的字典训练过程为：
类似地，imf低振幅分量的字典训练过程是：
结合上述两个字典训练过程，采用
上述公式可以简化为：
公式中的参数：
直接求解公式(8)会导致字典a解的自由度极高，并且会增加对字典a的样本量的需求，这将增加样本重建的计算量。为了降低字典a训练过程的自由度，所采用的方法是对字典a∈r(s 1)n*m进行稀疏表示。如果a＝a0z，z∈rm0*m表示稀疏矩阵，其中a0∈r(s 1)n*m0为基础字典，其矩阵列元素的非零数需要小于t1，即假设字典中的所有原子都可以选为a0的稀疏表示，基于上述假设，公式(7)中描述的字典训练过程可表示为：
在公式中，zj匹配矩阵z的j列元素，然后问题(9)的优化求解过程可以分两步进行：(1)固定稀疏矩阵z，更新系数矩阵q的稀疏表示；(2)固定稀疏矩阵q，更新稀疏矩阵z。首先，固定稀疏矩阵z，然后公式(9)的优化过程为：
选择omp法解决公式(10)的优化问题。其次，确定稀疏系数q，公式(9)的优化过程为：
设
在公式中，
式(11)的优化更新过程可表示为：
如果满足
在公式中，tr(·)是矩阵的轨迹表达式。由于
公式(14)是稀疏编码形式，可以基于omp方法求解。基于上述两个步骤可以得到稀疏矩阵z，然后得到高振幅和低振幅字典{ah,al}。
步骤400，对步骤200和步骤300进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶imf分量进行总体平均计算。
步骤200和步骤300的迭代以及总体平均计算过程构成了eemd稀疏分解方法，
采用eemd稀疏方法作为一种有效的自适应算法尤其针对非平稳信号的处理进行分解。对于各自独立的imf各分量而言，其皆具备信号的尺度特征并具有随之变化的特性。
模态混叠的问题在运用传统经验模态分解方法时又会显现，本部分利用了白噪声加入后其频率呈现均匀分布的特征很好地避免了该问题的发生并同时获取了时频的真实属性。
加入的白噪声分量亦能够在同阶imf求总体均值的运算下实现完全降噪。但实际分解效果与迭代轮次的递增并不存在线性关联，因此对于迭代次数的选择应该根据实验结果来具体选取。此种方法较同类方法而言能够更好地实现针对振动信号的去噪以及精细化处理。
而前端传感器阵列由于检测到的振动信号频率大小不一，并且接收到的振动信号传播的角度和方位具有随机性和不确定性。
总体而言：每次都通过比对所有振动传感器采集到的振波频率，从中选取3个以上较大振幅与较低频率的振动信号量对其进行处理。反映到每个传感器上测得的振波频率各有不同；而主振频率在信号分析中起着至关重要的作用。因此在选取的若干振波中选择主振频率与其他分量频率的原则如下所述，传感器中测得的若干振波中振幅最高的振波作为主振频率，其他作为分量。
步骤500，利用总体平均后的imf分量计算轴承振动信号的能量熵，应用ck各自表征上述imf分量的能量，c＝{ck,k∈r}将作为信号的能量分布，通过表达式
轴承在正常工况运转下，振动信号能量分布的表征均匀而波动不大，若出现故障状况，在相应频带内就会检测到共振，同时能量也会汇聚于此频带范围内，能量熵值随之亦会产生变化。
通过对能量熵值的计算并与滚动轴承故障能量熵经验数据库中的数据进行比对，综合能量分布状况就可初步判断故障类型并及时预警。
下面分析轴承在故障工况时振动信号的特性。电机转速为1200r/min时，通过fbg加速度传感器采集到的故障振动信号时、频域波形如图2所示。
对上述信号实施降噪、调理处理之后，再进行eemd稀疏分解则会出现9个imf分量及一个残存分量。而随着imf分量逐级递增，随之产生的“端点效应”也越来越显著，而对于imf分量的能量态势的影响也随之递增，而eemd稀疏方法的优越性在这里能够得以体现，通过降低“端点效应”对信号能量所造成的衰耗，选取典型imf特征分量并计算其能量分布与熵值以达到目的。
imf分量同时携带了原始信号局部性与随时间变化尺度性特征，通过理论分析得知：通过比对能量熵的方式能够掌握不同状况下能量变化情况进而判断故障事件与正常事件。
选择6类故障状况并计算其能量熵值，如表1所示。
表16类故障模式的能量熵值分布
由表1可以看出，在正常工况下轴承的各工作部位能量熵值最大也稳定，随着故障的不断恶化，能量熵值将会不断递减，比对相同类型故障状况下的能量熵值大小次序排列依次为内圈、外圈与滚轴。依据此规律分析可以以在各类故障状况下的能量熵值作为故障诊断的基础依据。
对于依据能量熵的方式进行轴承的故障识别，通过与美国凯斯西储大学滚动轴承标准数据库集合中的能量熵子数据库中的阈值进行比对，可以实现轴承故障类型的初步判断。
美国凯斯西储大学的滚动轴承数据作为全球广泛关注并引以为故障诊断标准数据库，其在国内的借鉴也十分广泛，通过16通道dat记录器采集信号并且在matlab中进行后期处理。
选取若干典型故障特征计算所得到能量熵值与数据库进行比对结果如表3-2所示。
表2的结果表明能量熵值判断方法能够作为特征值有效用于滚动轴承典型故障的判断中。
表2故障类型数据库比对表
实验验证
本实验研究主要涉及轴承在转动过程中针对故障振动信号的eemd稀疏特征提取与能量熵的计算，进而初步判断故障类别。分别位于不同故障状态下用能量熵值法分别计算各类故障信号的能量分布、能量熵情况并进行比对。实验共进行了三组故障特性分析与比对。如下所述：
(1)计算内圈、外圈、滚轴划痕损伤的能量分布、熵值分别与各部件正常运行状况下的能量熵值进行比对分析。
(2)计算转轴、皮带、滚珠磨损损伤的能量分布、熵值分别与各部件正常运行状况下的能量熵值进行比对分析。
(3)计算驱动端、风扇、齿轮磨损损伤的能量分布、熵值分别与各部件正常运行状况下的能量熵值进行比对分析。
最后通过与美国西储大学滚动轴承典型能量熵值数据库中各类故障数据进行比对，初步判断确定故障类型。
轴承异常振动信号处理步骤如下所述：
步骤1：对输入信号进行滤噪处理。
步骤2：将经过降噪、调理之后的故障振动信号进行eemd稀疏分解并获得其各个不同imf分量与一个残值；分析各自imf分量的能量分布状态并对其能量熵值进行计算；
步骤3：将计算出来的能量熵值与美国西储大学标准轴承数据库中的振动故障能量熵数据库中的阈值数据进行比对，初步判断其故障类型。
eemd稀疏分解方法能够尽可能规避“端点效应”对于信号能量所造成的干扰，选取有限imf分量进行分析、计算其能量分布与熵值，剩余imf分量舍弃。在这里，每次选取前七个imf分量为特征并计算其能量状态。
首先，选取内圈、外圈、滚轴划痕故障现象作为示例运用能量熵计算方式进行评估，各个状态能量分布与熵值分布如表3、4所示。
表3第一分类示例故障模式(内圈、外圈、滚轴)的能量分布
选取的外圈、滚轴、内圈的故障现象作为运用能量熵示例方式来计算并进行评估如表4所示。
表4第一分类故障模式(内圈、外圈、滚轴)的能量熵值分布
从表3可以看到振动信号的能量主要汇聚于前五个分量中，各类型故障情况下能量分布各不相同。
通过表3、4得到如下结论：
(1)前面五个分量主要汇聚了信号的主要能量，各故障状态下的能量分布各有不同。
(2)轴承正常运转状况下的能量熵值最大，随着运行环境与状况的不断恶化，故障愈发严重，所对应的能量熵值呈逐渐下降趋势。
(3)内圈、外圈、滚轴所出现的同一故障特征的能量熵值是呈现由大变小的变化趋势。
随后，选取第二分类(转轴、皮带、滚珠)磨损故障现象作为示例运用能量熵计算的方式进行评估，各个状态的能量分布与熵值如下表5、6所示。
表5第二分类(转轴、皮带、滚珠)示例故障模式的能量分布
表6第二分类故障模式(转轴、皮带、滚珠)的能量熵值分布
从表5中可以看到振动信号的能量主要汇聚于前面四个分量中，各类型故障情况下能量分布各不相同。
通过表5、6得到如下结论：
(1)前面四个分量主要汇聚了信号的主要能量，各故障状态下的能量分布各有不同。
(2)轴承正常运转状况下的能量熵值最大，随着运行环境与状况的不断恶化则故障愈发严重，所对应的能量熵值呈逐渐下降趋势。
(3)转轴、皮带、滚珠所出现的同一故障特征的能量熵值是呈逐步下降的趋势。
最后，选取第三分类(驱动端、风扇、齿轮)故障现象作为示例运用能量熵计算的方式进行评估，各个状态的能量分布与熵值如下表7、8所示。
表7第三分类示例故障模式(驱动端、风扇、齿轮)的能量分布
表8第三分类示例故障模式(驱动端、风扇、齿轮)的能量熵
从表7可以看到振动信号的能量主要汇聚在前三个分量中。各种故障工况下的能量分布情况各异。
通过表7、8得到如下结论：
(1)前面三个分量主要汇聚了信号的主能量，各故障状态下的能量分布各有不同。
(2)正常运转状况下的能量熵值最大，随着运行环境与状况的不断恶化则故障愈发严重，所对应的能量熵值呈逐渐下降趋势。
(3)驱动端、风扇、齿轮所出现的同一故障特征的能量熵值是同样呈逐步下降的趋势。
在此，通过以上三类不同类型故障现象能量分布与能量熵值的计算与比对得出：能量熵作为特征值的方式进行轴承故障现象预测的方案完全可行。
对于通过能量熵的方式进行滚动轴承的故障初步判断，通过与美国西储大学滚动轴承标准数据库集合中的能量熵子数据库中的阈值进行比对，可以实现基于能量熵值的滚动轴承故障类型的初步判断。
美国凯斯西储大学的滚动轴承数据作为全球广泛采用并引以为故障诊断标准的数据库在国内的应用十分广泛，其振动信号是通过16通道的dat记录器采集的，并且在matlab环境中进行后期处理。数字信号的采样频率为12000s/s，轴承各个故障数据同时也以48000s/s的采样速率采集。超高的采样速率能够完全保证对于振动信号变化的态势捕捉。
选取上述部分典型故障现象计算所得的能量熵值输入数据库进行查询，判断结果如表9所示。
表9故障类型数据库比对表
结果表明输入的各类型典型故障的能量熵值与标准数据库中所对应的故障类型能量熵阈值范围基本一致，再次证明能量熵值判断方法能够作为特征值有效用于滚动轴承典型故障的判断中。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于eemd稀疏分解的轴承故障识别方法，其特征在于，包括以下步骤：
步骤100，获取轴承振动信号并转换成电信号；
步骤200，向电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行emd分解得到多个imf分量和一个余项；
步骤300，对多个imf分量进行稀疏处理；
步骤400，对步骤200和步骤300进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶imf分量进行总体平均计算；
步骤500，利用总体平均后的imf分量计算轴承振动信号的能量熵，结合能量分布状况对轴承故障类型进行识别。
2.根据权利要求1所述一种基于eemd稀疏分解的轴承故障识别方法，其特征在于，所述轴承振动信号为不高于1000hz的低频振动信号。
3.根据权利要求1所述一种基于eemd稀疏分解的轴承故障识别方法，其特征在于，所述的对多个imf分量进行稀疏处理，包括：
利用三次插值过程将电信号y(t)恢复为与目标高振幅分量大小相同的低振幅样本yl(t)；
采用s组高通滤波器对低振幅样本yl(t)进行滤波处理；
将高通滤波后的yl(t)分解成维数为
基于omp方法得到稀疏系数{αk}；
采用高振幅字典{ah}和稀疏系数{αk}得到高振幅分量块xk＝ahαk；对得到的高振幅分量块进行拼接，对重叠部分进行均值处理；
结合插值得到的低振幅分量yl(t)，重建高振幅分量：
式中，rk表示分量块的特征提取矩阵。
4.根据权利要求1所述一种基于eemd稀疏分解的轴承故障识别方法，其特征在于，步骤400中，迭代次数为100～400次。
5.根据权利要求1所述一种基于eemd稀疏分解的轴承故障识别方法，其特征在于，所述的结合能量分布状况对轴承故障类型进行识别，其识别方法包括基于svm的分类识别方法。
6.根据权利要求1所述一种基于eemd稀疏分解的轴承故障识别方法，其特征在于，对所述电信号进行稀疏处理时所采用的字典通过k-svd字典学习算法得到。
7.一种基于eemd稀疏分解的轴承故障识别系统，其特征在于，包括：
预处理模块，获取轴承振动信号并转换成电信号；
eemd稀疏分解模块，向电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行emd分解得到多个imf分量和一个余项；对多个imf分量进行稀疏处理；进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶imf分量进行总体平均计算；
分类识别模块，利用总体平均后的imf分量计算轴承振动信号的能量熵，结合能量分布状况对轴承故障类型进行识别。
8.一种电子设备，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，以实现权利要求1-6任一项所述的一种基于eemd稀疏分解的轴承故障识别方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有用于实现权利要求1-6任一项所述的一种基于eemd稀疏分解的轴承故障识别方法的计算机软件程序。
技术总结