基于CEEMD 的数控机床噪音信号处理方法研究

2022-11-03郭双双田军委孙光宇

科学技术创新 2022年32期

郭双双，田军委*，张震，孙光宇

（西安工业大学机电工程学院，陕西西安 710021）

引言

在机电设备故障诊断领域，通过对噪声信号进行采集分析，用以实现设备运行状态的判定，是一个比较热门的研究方向，由于噪声信号中包含了很多难以通过传统机械和电气信号获取的特征信息，降低了故障诊断的准确性[1]，因此需要对噪声信号进行降噪处理，为后续进行更加精准的故障诊断工作打下基础。

目前关于噪声信号的研究对象比较分散，侯一民[2]等提出基于EEMD 与Fast-ICA 相结合的单通道机械噪声信号盲源分离方法。高磊磊[3]等利用小波包将某工程机械的噪声信号通过灰色关联理论进行灰色关联分析，识别出噪声源。梁胜杰等[4]人使用主成分分析法将实验所得的壳体噪声数据进行降维处理。叶朋[5]等为解决信号噪声消除问题，设计了一种基于改进LMS算法的自适应噪声对消系统。王火平[6]等通过引入噪声矢量数据场体系，完成了船舶的噪声数据分析方法优化。

文章通过对比小波包分解等四种方法的去噪效果图和去噪评价指标，验证了本研究提出的互补集合经验模态分解去噪方法的优越性。

1 噪音信号去噪

经验模态分解（Empirical Mode Decomposition，EMD）是1988 年Huang 等首次提出的一种处理信号的方法，理论上EMD 可将任何类型的信号分为多个本征模态函数和一个残差分量，但是EMD 在分解信号的过程中容易出现模态混叠。在EMD 的基础上添加白噪声信号，即集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)，可有效抑制模态混叠，由于白噪声影响原始信号的重构，研究人员[7]提出互补集合经验模态分解方法（Complementary Ensemble Empirical Mode Decomposition，CEEMD），CEEMD 引入高斯正负白噪声，更好的消除因添加白噪声而导致的重构误差问题。CEEMD 算法分解步骤如下：

（1）向原始信号中加入p 对正负白噪声组成的辅助白噪声[5]，生成两组IMF 集合：

其中，S 为原信号；P 为辅助白噪声；M1、M2分别是加入正负白噪声后的信号，由此可以得到2p 组IMF集合。

（2）对每个信号都进行EMD 分解，每个信号都可以得到一组IMF，将第i 个信号的第j 个IMF 分量记作cij。

（3）将得到的2n 组IMF 进行平均，得到最终的IMF 分量：

与EMD 相同，原始信号的最高频和噪声最多的部分位于IMF1中。该算法需要添加两个参数：辅助白噪声幅值k 和对数N，一般当N 取100 时，k 取0.01～0.10。

针对去噪处理后的数控机床噪音信号，其去噪效果通过信噪比和均方误差两个评价指标进行衡量。

（1）信号噪声比SNR。根据SNR 的定义可知其为原始信号和噪声能量之间的比值。计算公式为：

（2）均方误差MSE。MSE 是指原始信号与去噪重构信号的均方误差，MSE 越小，其去噪效果越好。计算公式为：

2 数据采集实验

数控机床数据采集系统的硬件决定着系统运行的稳定性，是数控机床数据采集系统的基础，硬件部分可分为两部分：一是上位机，采用1 台笔记本电脑处理采集到的数据；二是数据采集部分，它由振动传感器、噪音传感器和温度传感器及采集后用到的数个数据处理模块组成。数据采集系统的组成框图见图1。

图1 数据采集系统组成框图

2.1 数据采集系统

数据采集系统的框图如图1 所示，主要组成部分包括振动传感器、温度传感器和噪音传感器、STM32H743 主控制器、电流转电压模块、UART 转RS232 模块和RS232 转USB 模块。数控机床本体机械部件的状态信息可以通过在机床Y 轴部署传感器，搭建完备的采集系统进行数据采集，组成完成后的数据采集系统见图2。