[发明专利]基于EMD和近似熵的滚动轴承声发射信号特征提取方法

说明书

本发明公开了基于EMD和近似熵的滚动轴承声发射信号特征提取方法，步骤如下：首先采用经验模态分解(Empirical Mode decomposition，EMD)方法将滚动轴承故障声发射信号分解为有限个本征模态函数(Intrinsic Mode Function，IMF)的线性组合；然后采用相关系数法选取能够反映故障特征的IMF分量，找出能量最大的IMF分量；最后进行近似熵(Aproximate entropy,ApEn)计算。本发明能够很好地提取滚动轴承声发射信号特征，判断轴承是否存在故障。

技术领域

本发明涉及一种基于EMD和近似熵的滚动轴承声发射信号特征提取方法，属于无损检测信号分析领域，应用于轴承故障监测与诊断。

背景技术

旋转机械的故障有30％是轴承故障引起的，而滚动轴承是旋转机械的通用零部件之一，其失效可能直接引起机械设备事故发生，造成人员的伤亡，以及经济的损失。声发射信号频率高，不易受到环境噪声的干扰，并且对轴承的早期故障信号敏感。因此，声发射技术应用于滚动轴承的故障诊断有其独特的优势。

声发射信号含有大量与缺陷相关的信息，但是同时也含有各种干扰和噪声，其中包含大量的机械噪声和电磁噪声。能够从背景噪声中提取出缺陷信号一直是难点。常见的信号处理方法一般为傅里叶变换和小波分析，但它们都有一定的局限性。傅里叶变换只能刻画信号的频域特性，无法提供信号的时域信息，而且无法处理非平稳信号。小波基的选取是小波分析的难点，而且它缺乏自适应性，并且小波基的有限长会造成信号能量的泄漏。而经验模态分解是一种适用于非线性非平稳信号的分析方法，其优点是根据自身的时间尺度特征，不需要选择基函数，自适应地将复杂信号分解为若干个本征模态函数。而声发射信号是非线性非平稳信号，用经验模态分解进行处理非常高效。

近似熵是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数，从衡量时间序列复杂性角度来度量信号产生新模式的概率大小。它能够对较短的数据得到较理想的估计值，还具有较好的抗噪和抗干扰能力，使其在故障诊断领域被广泛应用。

发明内容

本发明的目的是为了解决目前滚动轴承声发射信号的特征提取难的问题，提出了一种基于经验模态分解和近似熵的滚动轴承声发射信号特征提取方法。

本发明的目的是通过以下技术方案实现的：基于EMD和近似熵的滚动轴承声发射信号特征提取方法，该方法包括如下步骤：

(1)对滚动轴承故障的声发射信号进行经验模态分解，得到n个IMF分量和一个残余分量；

(2)计算每个IMF分量与原始信号的相关系数，选取相关系数较大的分量，剔除其余分量；

(3)选取的IMF分量中能量最大的分量；

(4)对选取的分量进行近似熵计算；

作为更进一步的技术方案，步骤(1)的经验模态分解方法中IMF都应满足以下条件：

(1.1)在一完整的数据段内，极值点和过零点的数目必须相同或至多相差1；

(1.2)无论信号处于哪一时刻，由其局部极大值构成的上包络和局部极小值构成的下包络的平均值为0；

作为更进一步的技术方案，步骤(1)的经验模态分解方法步骤如下：

(2.1)确定声发射信号X(t)中的所有局部极大值和极小值点，利用三次样条曲线分别连接所有局部极大值点和局部极小值点形成上包络与下包络；

(2.2)计算出上下包络线的均值，记为m₁,把m₁从原始信号X(t)中分离出来，得到：

h₁＝X(t)-m₁ (1)