基于EEMD和DTW相结合的故障识别算法.docx

基于EEMD和DTW相结合的故障识别算法
摘要
随着工业智能的不断发展，设备故障诊断日益成为工业生产过程中的重要环节。本文提出一种基于经验模态分解（EEMD）和动态时间规整（DTW）相结合的故障识别算法。该算法将原始信号进行EEMD分解，将得到的多个有限带宽具有自适应性的固有模态函数（IMF）作为输入信号，依次进行DTW相似度匹配，从而实现故障诊断的目的。通过实验验证，本文所提出的基于EEMD和DTW相结合的故障识别算法具有较高的识别准确度和实用性。
关键词：经验模态分解，动态时间规整，故障识别，自适应性，识别准确度
Abstract
Withthecontinuousdevelopmentofindustrialintelligence,equipmentfaultdiagnosishasbecomeanimportantpartoftheindustrialproductionprocess.ThispaperproposesafaultrecognitionalgorithmbasedonthecombinationofEmpiricalModeDecomposition(EEMD)andDynamicTimeWarping(DTW).ThealgorithmdecomposestheoriginalsignalbyEEMD,andusestheobtainedmultiplefinitebandwidthintrinsicmodefunctions(IMFs)withadaptabilityasinputsignals.Then,theDTWsimilaritymatchingisperformedsequentiallytoachievethepurposeoffaultdiagnosis.Throughexperiments,thispaperprovesthattheproposedfaultrecognitionalgorithmbasedonEEMDandDTWhashighrecognitionaccuracyandpracticality.
Keywords:EmpiricalModeDecomposition,DynamicTimeWarping,faultrecognition,adaptability,recognitionaccuracy
1.引言
故障识别是现代工业制造领域中极为重要的一项技术，其目的是在保证生产安全的前提下提高设备的工作效率、降低设备维护成本。随着工业生产对设备的要求越来越高，对设备的监测和诊断技术也提出了更高的要求。针对这些需求，各种各样的故障识别算法应运而生。在这些故障识别算法中，基于信号处理的算法受到了广泛的关注。其中，EEMD和DTW是两种比较常见的信号处理方法，可以得到良好的处理效果。
EEMD是对经典的经验模态分解（EMD）进行改进后得到的分解方法[1]。EMD是一种对非线性和非平稳信号进行分解的方法，但是其常常存在模态重叠、局部极值等问题，限制了其在实际应用中的使用。为了解决这些问题，EEMD在经典的EMD分解后，对得到的IMF进行安全边界和白噪声处理，从而得到固有模态函数（IMF）[2][3]，具有自适应性。这样可以提高分解效果和分解精度，同时也提高了信号的稳定性。
DTW是一种非常常见的信号相似性度量算法，主要用于信号匹配、语音识别等领域[4][5]。该算法通过对比两个信号之间的时间轴，寻找最优的时间轴对齐方式。在此基础上，通过计算两个信号之间的动态时间距离，即可得到两个信号的相似度。
本文针对设备故障识别问题，提出一种基于EEMD和DTW相结合的故障识别算法。算法将原始信号进行EEMD分解，得到多个有限带宽的IMF，然后利用DTW算法进行相似度匹配，从而实现对设备故障的识别。
2.算法原理
本算法主要包含以下三部分：EEMD分解、数据匹配和故障诊断。
2.1EEMD分解
EEMD是对经典的EMD进行改进后得到的方法，其基本思想是在经典EMD的基础上进行多次分解，并加入噪声以消除分解出现的局部极值等问题。该算法的流程如下：
(1)将原始信号x(t)进行对称延拓，并设定对称延拓的次数为m；
(2)在每个延拓后的信号上执行EMD分解，得到第k个分量hk(k=1,2,…,n)；
(3)将第k个分量hk作为新的信号并加入随机高斯噪声，在第k个分量上操作k次，然后重复步骤(2)，直到获得N个新的IMF;
(4)将N次EMD分解所得IMF取平均值，得到EEMD分解后的结果f(t)。
2.2数据匹配
由于EEMD分解得到的是多个有限带宽的IMF，因此需要将这些IMF进行相似度匹配，以确定故障出现的位置。本文采用DTW算法进行匹配。该算法的流程如下：
(1)将待匹配的两个序列