基于支持向量机和窗函数的DEMD端点效应抑制方法

doi:10.3969/j.issn.1000-1158.2016.02.16

摘要
图/表
参考文献(15)
相关文章 (15)

全文: PDF (2722 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在微分经验模式分解过程中,由于信号端点处极值点不确定,导致在样条曲线构造信号上下包络线的过程中产生端点效应,影响微分经验模式分解的质量。针对此问题,提出一种支持向量机延拓和窗函数相结合的方法来解决微分经验模式分解中的端点效应,通过采用支持向量机对信号两端进行数据延拓,再对延拓后的信号加特殊窗函数处理,减小延拓误差。通过仿真分析和滚动轴承故障诊断实例分析表明,该方法能较好地抑制微分经验模式分解的端点效应,提高信号分解的精度,得到准确的分析结果。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孟宗
	季艳
	谷伟明
	王娜

关键词 ：计量学, 故障诊断, 滚动轴承, 微分经验模式分解, 端点效应, 支持向量机, 窗函数

Abstract：In the process of differential-based empirical mode decomposition (DEMD), as a result of the uncertainty of the signal at both ends of the border, the end effects exist in the course of getting envelop of data, it will affect the quality of differential-based empirical mode decomposition badly, so that the decompose intrinsic mode function has no actual physical meaning. A new method for restraining the end effects of DEMD based on support vector machine (SVM) and window function is proposed, by using support vector machine for data extension on both ends of the signal, and adding a special window function after extension, and the continuation error is reduced. Simulation results and rolling bearing fault diagnosis examples show that the improved method can inhibit end effect effectively and has a higher accuracy of decomposition in rotating machinery fault diagnosis.

Key words： metrology fault diagnosis rolling bearing DEMD end effect support vector machine window function

收稿日期: 2014-09-10 发布日期: 2016-01-27

PACS:

TB936

基金资助:国家自然科学基金(51105323); 河北省自然科学基金(E2012203166, E2015203356)

通讯作者: 孟宗 E-mail: mzysu@ysu.edu.cn

作者简介: 孟宗(1977-),男,河北保定人,燕山大学教授,博士,主要研究方向为信号分析与处理、旋转机械故障诊断。mzysu@ysu.edu.cn

引用本文:

孟宗,季艳,谷伟明,王娜. 基于支持向量机和窗函数的DEMD端点效应抑制方法[J]. 计量学报, 2016, 37(2): 180-184.
MENG Zong,JI Yan,GU Wei-ming,WANG Na. End Effects Restraining of DEMD Based on Support Vector Machine and Window Function. Acta Metrologica Sinica, 2016, 37(2): 180-184.

链接本文:

http://jlxb.china-csm.org:81/Jwk_jlxb/CN/10.3969/j.issn.1000-1158.2016.02.16 或 http://jlxb.china-csm.org:81/Jwk_jlxb/CN/Y2016/V37/I2/180

［1］禇福磊,彭志科,冯志鹏,等.机械故障诊断中的现代信号处理方法［M］.北京:科学出版社,2009,1-2.
［2］Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］. Proceeding of Royal Society London A, 1998, 454: 903-995.
［3］谢平,王欢,杜义浩.基于EMD和Wigner-Ville分布的机械故障诊断方法研究［J］.计量学报,2010,31(5):390-394.
［4］孟宗, 顾海燕, 刘利晖,等. 基于EMD与AR谱的轧机主传动系统故障诊断研究［J］. 计量学报, 2011,32(4):338-342.
［5］何旭, 经验模式分解的研究及其在故障诊断中的应用［D］.上海:上海交通大学. 2004.
［6］景蓓蓓,李鸿光. 基于微分的经验模式方法在转子裂纹和碰摩故障诊断中的应用［J］. 噪声与振动控制,2009,5(1): 66-69.
［7］孟宗,顾海燕,李姗姗.基于神经网络集成的B样条经验模态分解端点效应抑制方法［J］. 机械工程学报,2013,49(9):106- 112.
［8］张亢,程军圣,杨宇. 基于自适应波形匹配延拓的局部均值分解端点效应处理方法［J］.中国机械工程,2010,21(4):457-462.
［9］Lin D C, Guo Z L, An P F, et al. Elimination of end effects in empirical mode decomposition by mirror image coupled with support vector regression ［J］. Mechanical Systems and Signal Processing,2012,31:13-28.
［10］Zhao J P, Huang D J. Mirror extending and circular spline function for empirical mode decomposition method ［J］. Journal of Zhejiang University (Science),2001,2(3): 247- 252.
［11］胡爱军,安连锁,唐贵基. Hilbert-Huang 变换端点效应处理新方法［J］. 机械工程学报,2008,44(4): 154-158.
［12］祁克玉,施坤林,霍鹏飞,等. EMD端点效应处理在转子擦故障诊断中的应用［J］. 振动、测试与诊断,2010,30(5):492- 495.
［13］邓拥军,王伟,钱成春,等. EMD方法及Hilbert变换中边界问题的处理［J］. 科学通报, 2001, 46(3): 257-263.
［14］杨建文,贾民平. 希尔伯特-黄谱的端点效应分析及处理方法研究［J］. 振动工程学报,2006,19(2): 283-288.
［15］Cheng J S, Yu D J, Yang Y. Application of support vector regression machines to the recessing of end effects of Hilbert-Huang transform ［J］. Mechanical Systems and Signal Processing, 2007,21(3): 1197-1211.