13、基于机器学习和 EMD 分解的旋转机械振动信号分布时频分析

基于机器学习和 EMD 分解的旋转机械振动信号分布时频分析

1. 引言

旋转机械在运行过程中，其振动信号蕴含着丰富的设备状态信息。传统的旋转机械振动信号分布时频分析方法存在时频特征与振动信号的相关系数较低的问题，这导致旋转机械故障类型识别的准确率不高。为解决这一问题，本文提出了一种基于机器学习和 EMD 分解的旋转机械振动信号分布时频分析方法。

机械旋转具有稳态或非稳态两种特性，且都有一定的周期性。在旋转过程中，机械会产生振动，这些振动包含了从低频到高频的各种频率成分。分析机械振动信号，有助于了解机械的工作效率和质量。时频信号能同时反映时间和频率的变化，对振动信号分析具有重要意义。

传统的分析方法，如傅里叶变换分析方法无法实时反映机械振动信号，将信号分解为正弦或余弦函数的方法也不能很好地展示频率随时间的变化特性。而本文提出的方法，利用 EMD 良好的时频聚集性，避免线性时频约束，结合机器学习将一维时域信号转换为二维时频平面，提高非稳态信号的信息处理效果。实验结果表明，该方法可使旋转机械振动信号时频分布分析结果的平均准确率达到 98.1%。

2. 方法设计

2.1 收集旋转机械振动信号

设计一个数据采集器来收集旋转机械的振动信号，该采集器由主机设备、从设备、功率放大器、功率动态实时仿真设备和电子变压器组成。
- 功率动态实时仿真设备 ：采用便携式 RTDS 实时数字模拟器，它有功率组件库，可根据旋转机械的现场条件设置功率组件参数，模拟机械运行中的各种故障状态。
- 主机设备 ：与仿真设备和多个从设备相连，其通信模块配置有