eemd优缺点_一种改进的EEMD方法及其应用研究

收稿日期

:

修订日期

:

(

日期待编辑部填写

)

基金项目

:

国家优秀青年科学基金

(51222503)

、教育部新世纪优秀人才支持计划

(NCET-11-0421)

和陕西省自然科学基础研究计划项目

资助。

一种改进的

EEMD

方法及其应用研究

孔德同

1

，范

炜

1

，雷亚国

2

，丁小川

1

，王

志

1

(

1.

华电电力科学研究院，浙江

杭州

310030

；

2.

西安交通大学机械制造系统工程国家重点实验室，陕西

西安

710049

)

摘要：

针对集成经验模式分解

(Ensemble empirical mode decomposition, EEMD)

中协助噪声幅值大小需要人为经验确定的不足，

基于

经验模式分解

(Empirical mode decomposition, EMD)

二进滤波器特性，讨论了

EMD

出现模式混淆的原因，研究了

EEMD

中协助噪声幅

值大小的确定原则，提出基于极值点分布特性的改进

EEMD

方法，通过遍态历经，以极值点分布特性为评价参数，自适应确定

EEMD

方法中高斯白噪声优化幅值。通过数据仿真，验证了其有效性。最后，应用于转子早期故障诊断中，结果显示可以自适应确定噪声幅

值，避免参数人为选择导致分解结果的盲目性，有效抑制了传统

EMD

方法的模式混淆现象，可有效识别转子早期碰磨引起的故障特

征。

关键词：

改进

EEMD

；极值点分布特性；故障诊断

中图分类号：

TH17

文献标识码：

A

引言

EMD

是美国工程院

N.HUANG

博士于

1998

年提出的

一种自适应数据处理方法，在非线性、非平稳信号分析

中具有显著优势。与

FFT

、小波分解等不同，

EMD

方法

无需选择基函数，其分解完全基于信号本身极值点分

布，通过多次筛选，将信号分解为多个表征信号中某种

单一模态的本征模式分量

(Instrinsic mode function, IMF)

与一个趋势项，得到国内外广泛关注

[2]

。

然而，

当信号的极值点分布不均时，

EMD

分解结果

会出现

“

过冲

”

、

“

欠冲

”

现象，导致模式混淆

[3]

。针对以

上问题，

Zhao

等

[4]

2009

年提出

EEMD

方法，通过对信号

加入高斯白噪声，

改善信号极值点分布，

减小模式混淆。

EEMD

方法已被成功应用于转子

[5]

、

轴承

[6]

、

电机

[7]

等机

械设备的故障诊断中。

2009

年陈略等

[8]

指出

EEMD

加入高斯白噪声的幅值

不能改变原始信号高频成分极值点分布，然而文章提出

的高频成分依赖于

EMD

分解结果，当

EMD

分解得到的

第一个

IMF

存在模式混淆时，导致

EEMD

加入噪声不准

确。

2010

年

Jian Zhang

等

[9]

研究了

EEMD

方法中加入的高

斯白噪声幅值及总体平均次数两个参数，从加入的高斯

白噪声与原始信号能量比的角度规定了加入噪声的原

则，但是该方法仅仅考虑了由两种成分组成的信号，对

于存在多种模式分量的信号未展开研究。

2010

年，雷亚

国通过改进

Hilbert-Huang

变换，提出敏感

IMF

的选择方

法，成功诊断出转子早期碰摩故障

[10]

，

2013

年雷亚国等

[11]

以有色噪声代替高斯白噪声，

有效改善了信号的极值

点分布，但该研究工作并未建立加入噪声大小的准则。

针对

EEMD

方法中加入的高斯白噪声幅值大小问

题，本文提出基于极值点分布特性的改进

EEMD

方法。

研究了

EEMD

加入噪声的准则，利用全局寻优，以极值

点分布特性为评价函数，建立了

EEMD

方法中信号极值

点分布特性与加入噪声大小的对应关系，评估不同噪声

大小对原始信号极值点的改善程度，可实现噪声幅值的

自适应优化选取，消除参数人为选择导致分解结果的盲

目性与主观性。

1

基本原理

1.1 EEMD

方法基本理论

EMD/EEMD

方法本质上是基于极值点的筛选过程。

以仿真信号为例，

EMD

分解时，如图

1

所示，利用信号

的极大值与极小值，通过三次样条拟合出极大值包络与

极小值包络，得到局部均值。将信号减去局部均值，重

复以上过程，直到筛选出的成分满足

IMF

条件。最后，

信号依次被分解为若干个频率由高到低的

IMF

与一个趋

势项，如图

2

所示。当极值点分布不均时，通过插值得

到的局部均值发生扭曲，导致筛选结果出现模式混淆现

象。

因此，

极值点分布特性是

EMD

分解结果的决定性因

素。针对极值点分布问题，

EEMD

对信号加入高斯白噪

声，

利用白噪声的频率均布特性，

改善信号极值点分布，

通过多次分解取平均，减小加入噪声对分解结果的影

响，

得到

EEMD

分解的最终结果。

其算法流程如图

3

所示。

图

1

EMD

筛选示意图

Fig.1 EMD filter schematic

时间

t

/s

幅

值

A

/

g