EEMD-ICA联合降噪的旋转机械故障信号检测方法

针对旋转机械前期故障信号微弱、易被噪声淹没、故障特征难以提取的问题，提出一种聚合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和独立成分分析（Independent Component Analysis，ICA）相结合的故障特征提取方法。首先，运用EEMD理论将振动信号分解为一系列的固有模态函数（Intrinsic Mode Function，IMF），然后根据相关系数和均方根准则选取含有原始信号多的IMF分量构造观测信号，引入虚拟噪声通道；最后，通过FastICA算法将噪声与故障特征信号进行分离，并对分离出的有用信号进行频谱分析，突显故障频率。通过仿真信号验证所提出方法的有效性，并将其应用于轴承的内外圈故障识别，与传统的EEMD-WTD降噪方法对比，结果表明：所提出的方法能提取出清晰微弱故障特征信号，对低频噪声的抑制效果明显优于EEMD-WTD方法。

Fault Signal Detection Method of Rotating Machinery Based on EEMD-ICA Joint Denoising