[发明专利]基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法

权利要求书

1.基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法，其特征在于，具体包括以下过程：

步骤一，通过传感器采集的振动数据，利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数 IMF，将其作为观测信号 X(t)；

步骤二，通过FastICA算法对分解得到的本征函数去噪处理，再利用ICA逆变换得出新IMF’；

步骤三，并将新IMF’直接累加还原得到重构信号，提取特征向量,利用LLE降维；

步骤四，将特征向量作为深度学习网络的输入，输出得到诊断结果。

2.如权利要求1所述的基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法，其特征在于，上述步骤一中的包括：通过放置在机电设备上的传感器采集设备振动信号作为原始数据样本。

3.如权利要求1所述的基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法，其特征在于，上述步骤一中的包括：

将原始振动数据样本进行CEEMDAN自适应噪声的完备经验模态分解，包括如下步骤：

先进行第一阶模态分量的求解，将服从标准正态分布的正负对高斯白噪声添加到原始数据信号中；

对得到的新信号进行EMD分解，得到多个IMF分量；

通过对多个IMF求均值，得到第一阶最终分量以及第一阶剩余分量r1(t);

再求解第二阶模态分量，得第二阶分量及剩余分量r2(t);

重复步骤直到剩余信号不可分，此时原始信号表示成：

。

4.如权利要求1所述的基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法，其特征在于，上述步骤二中包括：

对传统ICA独立成分分析法进行改进，采用FastICA算法，运算速度更快，效果更佳，其在经典ICA独立成分分析法的基础上将累计分布函数和混淆矩阵的迭代公式进行了改动，得到了更好的去噪性能；

再对FastICA得到的原信号估计S(t)进行ICA逆变化，得到新的IMF’，接下来的步骤中经过累加重构，特征提取，并利用LLE降维。

5.如权利要求1所述的基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法，其特征在于，上述步骤四中包括：

特征提取，利用LLE降维，将得到的特征向量作为深度学习网络的输入；

考虑到机械设备样本数据的特征，将采取无监督域自适应的迁移学习模型RTN，利用谱聚类进行故障类型判断，再利用极大似然估计的贝叶斯网络进行故障程度的分析，最后得到网络诊断输出结果，包括故障部件，故障类型，故障预警程度的实时反馈。