互补集合平均经验模态分解(complementary ensemble empirical model decomposition,CEEMD)作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提...互补集合平均经验模态分解(complementary ensemble empirical model decomposition,CEEMD)作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提出一种基于KL散度(Kullback-Leibler divergence,KLD)的CEEMD虚假分量识别方法(KL-CEEMD)。该方法在原有CEEMD方法基础之上,进一步计算各分量IMF与原信号之间的KL散度值,从而量化各分量与原信号之间的相关性。最后通过对各个IMF的KL散度值进行聚类分析,找出虚假分量和真实分量,最终解决CEEMD的虚假分量问题。为验证KL-CEEMD的有效性,研究搭建风力机传动系统振动试验台,基于该方法对实验台实验数据以及仿真数据进行验证性研究,最终证明所提方法可以很好改善CEEMD的虚假分量问题,能够有效提取出故障信号的真实特性。展开更多
