自适应噪声加权优选经验模态分解及其在机械故障诊断中的应用

自适应噪声辅助集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)解决了集成经验模态分解在集成平均过程中的分解不完备问题,但噪声残留和虚假分量问题仍然存在。针对CEEMDAN的不足,提出了自适应噪声加权优选经验模态分解(Weighted Mean⁃optimized Empirical Mode Decomposition with Adaptive Noise,WMEMDAN)。该方法用改进的均值曲线构造方式提取内禀模态函数(IMF),以正交性最小为依据,从不同权重的迭代筛分结果中选取出最优IMF,改善了CEEMDAN的分解能力,同时通过对不同权重下的分解结果进行筛选,确保每一阶的IMF分量都是整体最优,减少虚假分量和残留噪声。仿真和实验信号分析结果表明,WMEMDAN在减少虚假分量和提高分解精度等方面具有优势。将所提方法应用于滚动轴承和齿轮的故障诊断,分析结果表明了方法的有效性和优越性。