n H x(t)= ci(t)+rn 0 H. 其中c信号中从高频段到低频段的能量，m 代表信号变化趋势。 实践结果表明，这种方法存在较大的模 态混叠。为改进这一缺点，发展了EEMD 口 算法。即在原始信号中多次加入均值为0， 、mrgn-2小M 标准差为常数白噪声n(t),即 x(t)=x(t)+n(t) 图3.2最优分类面示意图 再对x)进行EMD分解，方法与上述 支持向量机是一种广义的线性分类器， 相同。 其基本分类思想是：通过非线性变换将输入 3.3.3特征量提取 空间变换到一个高维的特征空间，并在此空 为进行故障诊断，我们需要对信号进行 间中寻找最优的线性分类超平面，并且该超 特征量提取，将各信号特征量化，用数值反 平面不但能将所有训练样本正确分类，还能 应出来。常用特征量如下： 使它离最近样本的分类间隔最大。如图3.2 表3-2特征量 所示。 特征量 相关说明 3.3.2神经网络分类法 均方值 2 BP网络一般是指采用了BP算法的多 S= 层神经网络模型。图3.3所示为多层神经网 峭度 G,=N2,1- 1 络模型的拓扑结构，它由输入层、中间层和 时 输出层组成，中间层即是隐含层，可以是一 域 Xrms 层或者多层。BP网络的学习过程分为两部 能量总量 n 分：正向传播和反向传播。 Q=∑x2Oat t=0 极值点时刻 振动信号极值点的发生 时刻 频 能量熵 对MF包络线进行处 域 样本熵 理，得到能反应信号特 征的值 总得来说频域量的特征更加明显，更容 输入层 隐层 输出层 易做后续故障分析。 3.3故障诊断 图3.3多层BP网络拓扑结构图 获取振动信号的特征量后，可以根据特 基本原理如下：正向传播时，输入信息 征量的值进行故障分类，下面介绍三种典型 从输入层经隐层单元处理后传向输出层，每 方法。 一层神经元的状态只影响下一层的神经元 3.31支持向量机 状态。如果输出层没有得到希望的输出结果， 则转入反向传播，将误差信号沿原来的神经 元连接通路返回。在返回过程中，会逐一修 改各层神经元连接的权值。这种运算过程不 断迭代，最后使信号误差达到允许的范围之 内。￾ ￾ ￾ ￾￾￾￾ ￾￾ ￾ ￾ ￾ ￾￾ 其中 cj信号中从高频段到低频段的能量，rn 代表信号变化趋势。 实践结果表明，这种方法存在较大的模 态混叠。为改进这一缺点，发展了 EEMD 算法。即在原始信号中多次加入均值为 0， 标准差为常数白噪声 ni(t)，即 ￾￾ ￾ ￾ ￾ ￾ ￾ ￾￾￾￾䁊 再对 xi(t)进行 EMD 分解，方法与上述 相同。 3.3.3 特征量提取 为进行故障诊断，我们需要对信号进行 特征量提取，将各信号特征量化，用数值反 应出来。常用特征量如下： 表 3-2 特征量 特征量 相关说明 时 域 均方值 S ￾ x i ￾ 2 峭度 Cq ￾ 1 N i￾1 N ￾ xi − x￾䁊 4 ￾ Xrms 4 能量总量 Q ￾ t￾0n |x 2 ￾ t |∆t 极值点时刻 振动信号极值点的发生 时刻 频 域 能量熵 对 IMF 包络线进行处 理，得到能反应信号特 征的值 样本熵 总得来说频域量的特征更加明显，更容 易做后续故障分析。 3.3 故障诊断 获取振动信号的特征量后，可以根据特 征量的值进行故障分类，下面介绍三种典型 方法。 3.3.1 支持向量机 图 3.2 最优分类面示意图 支持向量机是一种广义的线性分类器， 其基本分类思想是：通过非线性变换将输入 空间变换到一个高维的特征空间，并在此空 间中寻找最优的线性分类超平面，并且该超 平面不但能将所有训练样本正确分类，还能 使它离最近样本的分类间隔最大。如图 3.2 所示。 3.3.2 神经网络分类法 BP 网络一般是指采用了 BP 算法的多 层神经网络模型。图 3.3 所示为多层神经网 络模型的拓扑结构，它由输入层、中间层和 输出层组成，中间层即是隐含层，可以是一 层或者多层。BP 网络的学习过程分为两部 分：正向传播和反向传播。 图 3.3 多层 BP 网络拓扑结构图 基本原理如下：正向传播时，输入信息 从输入层经隐层单元处理后传向输出层，每 一层神经元的状态只影响下一层的神经元 状态。如果输出层没有得到希望的输出结果， 则转入反向传播，将误差信号沿原来的神经 元连接通路返回。在返回过程中，会逐一修 改各层神经元连接的权值。这种运算过程不 断迭代，最后使信号误差达到允许的范围之 内