基于粒子群优化的改进EMD算法在轴承故障特征提取中的应用

摘要：

经验模态分解(Empirical Mode Decomposition,EMD)作为一种数据驱动的自适应信号分解方法,在轴承故障特征提取中有着广泛应用.针对EMD自身存在的模态混叠、端点效应以及三次样条插值带来的过冲/欠冲问题,同时考虑到有理Hermite插值方法具有一个形状控制参数,为选择最优的插值曲线提供了可能,基于此,提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)的改进EMD算法,选定频率带宽作为IMF优劣评判准则,并以此作为PSO的评价函数;在筛分过程中,从众多不同形状控制参数对应的分解结果中寻找最优IMF从而确定最优形状控制参数;在每阶分解结果中都能保证所得IMF是最优的,从而达到更好的自适应性及更高精度.为验证所提出方法的有效性,采用传统EMD、EEMD与该算法对仿真信号进行处理、对比,并通过计算相关技术指标进行了验证.最优将其应用于滚动轴承故障特征提取,并与传统EMD算法、EEMD进行对比,包络谱结果显示,改进后的EMD算法具有更好的分解效果,抑制干扰并能提取出更多故障信息.

关键词：EMD、有理Hermite插值、PSO、轴承、故障特征提取

所属期刊栏目：36

分类号：TH165;TN911

资助基金：国家自然科学基金10972019

在线出版日期：2017-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：182-187