彭延峰, 程军圣, 杨　宇, 李宝庆

(湖南大学 汽车车身先进设计制造国家重点实验室,长沙　410082)



自适应最优化窄带分解方法及其应用

彭延峰, 程军圣, 杨宇, 李宝庆

(湖南大学 汽车车身先进设计制造国家重点实验室,长沙410082)

提出了自适应最优化窄带分解(Adaptive Optimization Narrow-Band Decomposition，AONBD)方法。该方法将信号分解转化为对滤波器参数的优化问题，以得到信号的最优化解为优化目标，在优化过程中将信号自适应的分解成多个内禀窄带分量(Intrinsic Narrow-Band Components，INBC)。AONBD分为两步，首先通过优化得到最优的滤波器，然后使用该滤波器对信号进行滤波以得到信号的最优化解。阐述了AONBD的基本原理及分解步骤。采用仿真信号将AONBD方法与自适应最优化时频分析(Adaptive Sparsest Time-Frequency Analysis，ASTFA)方法及经验模态分解(Empirical Mode Decomposition，EMD)方法进行对比。结果表明，AONBD在抑制端点效应和模态混淆、抗噪声性能、提高分量的正交性和准确性等方面具有一定的优越性。对转子振动信号的分析结果表明，AONBD能有效应用于机械故障诊断。

自适应最优化窄带分解；内禀窄带分量；局部窄带信号；奇异局部线性算子；转子故障诊断

非平稳信号的分析处理方法是现代信号处理领域中的一个研究热点。经验模态分解(Empirical Mode Decomposition，EMD)方法[1-3]是近年来最具代表性的自适应时频分析方法之一，但仍存在端点效应和模态混淆等缺点。

在EMD的基础上，Thomas等[4]提出了一种使用高斯牛顿迭代法解决非线性优化问题的自适应最优化时频分析(Adaptive Sparsest Time-Frequency Analysis，ASTFA)方法。该方法将信号分解问题转化为非线性约束优化问题，优化目标为得到非线性信号的最优化表示[5-7]，约束条件是所有内禀模态函数(Intrinsic Mode Functions，IMF)[8]都处于过完备字典库Dic中。……