改进集成噪声重构经验模式分解的微弱时频特征增强方法及应用

基于噪声利用机制,集成噪声重构经验模式分解方法(Ensemble noise-reconstructed empirical mode decomposition,ENEMD)利用原信号中固有噪声分量改善模式混淆现象,并通过固有噪声分量的相互抵消作用实现信号降噪。然而,该方法中关键噪声估计技术采用类硬阈值处理方式,忽略系数之间相关性。为此,研究基于相邻系数降噪原理的ENEMD噪声估计技术,提高固有噪声分量估计的准确性。在此基础上,将改进ENEMD方法引入Hilbert-Huang变换中,提出改进ENEMD的微弱时频特征增强方法。该方法以无模式混淆的本征模式分量(Intrinsic mode function,IMF)准确表征微弱故障信号的瞬时频率,并以降噪IMF有效提高时频谱信噪比,消除时频谱中噪声杂点,显著提高信号时频表示的分辨率,增强微弱故障的时频表征并突显局部故障征兆,为机械早期和微弱故障识别提供有效手段。工程实例表明该方法有效揭示空气分离压缩机碰撞与摩擦故障征兆,并成功提取重油催化裂化机组早期微弱碰摩故障特征。

非对称势诱导随机共振增强机械重复瞬态提取

针对现有随机共振方法未探明非对称阱深与阱宽单独变化诱导随机共振的重复瞬态特征增强机理的问题,通过建立阱深、阱宽以及阱深阱宽三种非对称双阱势,提出非对称势诱导随机共振的机械重复瞬态特征增强方法,该方法能够利用布朗粒子在左右势阱中驻留时间的差异俘获噪声能量增强重复瞬态特征。通过仿真分析和多级齿轮箱早期故障试验,结果表明:窄又深的左势阱益于重复瞬态特征增强,且势垒壁的陡峭度影响随机共振的重复瞬态特征增强能力;提出方法能够准确诊断出多级齿轮箱行星轮齿根裂纹早期故障,且重复瞬态特征增强结果优于经验模式分解方法,基于峭度指标量化对比增强结果,可以看出,提出方法增强结果的峭度指标高达经验模式分解方法的4倍之多,将原始信号的峭度指标提高了80余倍。