日期：2022-10-14 13:14:31瀏覽量：69687
明椿減速電機經驗模態分解原理
(1)EMD(Empirical Mode Decomposition)經驗模態分解主要用于處理新信號，適用于處理非穩定時期渦輪明椿減速電機齒型變化的信號。通常是一個不穩定的信號EMD分解后，可變成多個穩定的本征模態函數。
(2)EMD通過假設的方法進行分解，并根據任何信號進行假設。例如，假設是由許多本征模態函數組成的(Intrinsic Mode Function，IMF)構成，再按EMD以分解的形式分解。分解后，將性能差和性能好的信號分組。結果表明，在這個過程中，在這個過程中，我們會發現。EMD在分解過程中，任何信號都可以分為幾個信號IMF還有一個殘留信號組。
(3)根據對若干IMF研究表明，任何一項研究表明，IMF兩個條件：
①在整個數據段中，任意一個IMF極值點的數量必須相同，即使存在不同，也應該相同≤1；
②在任意一個IMF任何重量，局部極大值點形成的包絡線和局部極小值點形成的包絡線均為零。
自相關分析
在明椿減速電機齒型變化故障的提取中，自相關函數也是一種非常重要和新的分析方法，主要描述隨機振動樣本在不同使用自相關分析時，如果相關函數分析是針對相同的隨機樣本x(t)所以x(t＋τ)是x(t)時移后的樣本可以定義自相關函數Rx(τ)為：
Rx(τ)=1imT→∞1T∫10x(t)×(tτ)dt
式中，T為信號觀測時間，τ滯后時間。
在使用自相關函數時，要充分明確其特性，主要包括：
(1)自相關函數在τ=0時獲得最高值。
(2)當τ足夠大或τ→∞時間，隨機變量x(t)和x(t＋τ)沒有相互關系。
(3)自相關函數為偶函數，即Rx(－τ)＝Rx(τ)。
（4）周期函數的自相關函數仍然是相同頻率的周期函數，其幅值與原周期信號的幅值有一定的關系。根據對自相關函數的研究，并利用其性質，可以準確選擇含有周期性沖擊信號的函數IMF份量。
希爾伯特(Hilbert)轉換
Hilbert變化也是提取明椿減速電機齒型變化故障的重要信號分析和處理工具。其核心是基于經驗模式的分解IMF，并對IMF進行Hilbert轉換，得到一個Hilbert譜，解調普。正常情況下，一個完整的。Hilbert光譜主要包括時間、頻率和振幅。解調普遍包含大量原始信號。根據對解調譜中原始信號的分析，可以分析渦輪明椿減速電機齒型的變化和故障。
