基于MATLAB-ELMD毕业设计大论文毕业答辩1.ppt

Company Logo LOGO ELMD算法流程图 指导教师： 论文题目：用于振动信号处理的最优噪声参数选择的ELMD算法研究与应用 班级： 学生： 学号： 绪论 研究的背景和意义 旋转机械是现今生产生活中必不可少的重要组成部分，然而因旋转机械故障引发的事故所带来的重大人员伤亡和巨额经济损失的事件时有发生。为减少以及避免以上事故的发生就必须深入了解和研究机械故障诊断这门技术。而旋转机械故障能准确诊断的必要前提条件就是对旋转机械振动信号的分析处理。为满足现今生产生活需求，对旋转机械振动信号的处理急需新的方法。 因机械故障引发的交通事故 论文的结构和主要内容 第一部分：简述本文课题最优噪声参数选择的ELMD算法的由来。 第二部分：研究总体局部均值分解（ELMD）算法的理论知识。推算出ELMD理论算法，并通过编程仿真来实现。 第三部分：在ELMD算法基础上实现最优噪声参数选择已达到ELMD算法对振动信号处理性能的最优化。并对仿真以及振动信号进行分解验证。 第四部分：总结本文所得结论，提出新的疑问展望未来。 系统需求分析 1 ELMD方法由来 局部均值分解（LMD）是目前一种较为优越的用于旋转机械振动信号处理的时频分析方法，而该方法的一个严重缺陷是在其分解过程中会发生模态混叠现象，该现象会影响LMD方法对信号特征的准确提取。为解决这一问题提出ELMD方法。 模态混叠：分解后一个分量中包含了信号中不同的时间尺度特征，或是信号中相似的时间尺度特征被分解到了不同的分量当中，该现象通常是由信号的间歇性引起的。 系统需求分析 2 ELMD理论方法的实现 通过EMD和EEMD方法再结合LMD方法来实现ELMD方法。 ELMD方法流程图如下： 系统需求分析 ELMD算法流程图 通过分析ELMD方法流程图对其进行编程，并对仿真信号 系统需求分析 分别进行LMD和ELMD分解:对比分解结果： 原始信号的时域图和频谱图 系统需求分析 LMD分解频谱图 明显的模态混叠现象 系统需求分析 抑制了部分模态混叠现象 ELMD分解频谱图 3 最优噪声参数选择的ELMD方法 最优噪声参数选择直接关系着ELMD算法的性能优劣。其中噪声参数主要有两个：白噪声的幅度AN和加入白噪声次数NE。用相对均方根误差准则（Relative-RSME）来判定不同噪声幅度下ELMD的分解性能： 相对均方根误差公式： 固定加噪次数改变加入噪声等级得下表： 噪声 等级 0.14 0.12 0.10 0.09 0.08 0.05 0.30 0.015 0.005 相对均方根误差 0.4120 0.4234 0.4553 0.4474 0.4324 0.4239 0.4574 0.5819 0.3878 根据上表可画出下图： 相对均方根误差与噪声等级的关系表 系统演示 　　　Relative-RSME与噪声等级的关系图 输入噪声等级0.015为该信号最优噪声等级 用信噪比(SNR)来衡量加入不同噪声次数后，分解结果中残余的噪声。固定加入噪声等级，改变加入噪声次数可得下表： 加噪次数 10 20 25 30 50 100 150 200 信噪比（SNR） -0.5124 -0.0062 -0.0012 -7.9732e-004 -3.5144e-004 -1.1518e-004 -6.3603e-005 -4.2919e-005 信噪比（SNR）与加噪次数NE的关系表 根据上表可画出下图： 系统演示 信噪比（SNR）与加噪次数NE的关系图 加入噪声次数50次时为该信号最优加噪次数 总结上述经验得最优噪声参数选择的ELMD算法流程图： ELMD算法程序 编写及仿真 调整参数观察 抑制模态混叠效果 找到与原始信号相关性 最大PF分量 噪声幅度不变增大加入次数 直到S/N相对变化很小， 确定噪声加入次数 完成最优参数的 ELMD算法程序编写 增大相对RMSE到 最大确定最优噪声 研究相对RMSE 与此PF分量的关系 ELMD算法程序编写及仿真 ELMD算法程序编写及仿真 ELMD算法程序编写及仿真 最优噪声参数选择的ELMD算法 通过流程图实现最优噪声参数选择的ELMD仿真分解，分别取加噪次数50次，加入噪声幅度0.015，仿真结果如下： 最优噪声参数选择的ELMD分解频谱图 通过对实验振动信号的分解对比，也达到了相同的效果。 Company Logo LOGO ELMD算法流程图