基于改進(jìn)HHT的微弱故障信號(hào)特征提取方法.pdf

《基于改進(jìn)HHT的微弱故障信號(hào)特征提取方法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、第36卷第5期東北電力大學(xué)學(xué)報(bào)V01．36．No．52016年1O月JournalOfNortheastDianliUniversity0ct．．2016文章編號(hào)：1005—2992(2016)05—0052—05基于改進(jìn)HHT的微弱故障信號(hào)特征提取方法周小龍，姜振海2，馬風(fēng)雷2(1．東北電力大學(xué)工程訓(xùn)練教學(xué)中心，吉林吉林132012；2．長(zhǎng)春工業(yè)大學(xué)機(jī)電工程學(xué)院，長(zhǎng)春130012)摘要：針對(duì)微弱故障信號(hào)故障特征難以提取的問題，提出一種基于改進(jìn)希爾伯特一黃變換的故障特征提取方法。該方法首先采用平均總體經(jīng)驗(yàn)?zāi)B(tài)分解將故障信號(hào)分解成一系列固有模態(tài)函數(shù)，再選取對(duì)故障特征敏感的固有

2、模態(tài)函數(shù)進(jìn)行希爾伯特譜和邊際譜分析，從中提取故障特征。仿真和實(shí)際試驗(yàn)證明：希爾伯特譜和邊際譜能夠清晰呈現(xiàn)故障信號(hào)時(shí)域和頻域內(nèi)的細(xì)微特性，為微弱故障信號(hào)的特征提取提供了一種切實(shí)可行的方法。關(guān)鍵詞：希爾伯特一黃變換；平均總體經(jīng)驗(yàn)?zāi)B(tài)分解；微弱信號(hào)；特征提取中圖分類號(hào)：TH17文獻(xiàn)標(biāo)識(shí)碼：A在機(jī)械傳動(dòng)設(shè)備中，當(dāng)某一零件出現(xiàn)早期缺陷時(shí)，其振動(dòng)信號(hào)十分微弱，往往被其它零部件的運(yùn)行振動(dòng)信號(hào)和背景噪聲所淹沒，為故障的檢測(cè)和診斷帶來(lái)困難¨J。若設(shè)備中出現(xiàn)早期故障而不及時(shí)處理，將使機(jī)械傳動(dòng)設(shè)備無(wú)法平穩(wěn)傳動(dòng)，并有可能造成有關(guān)部件報(bào)廢。因此，研究機(jī)械設(shè)備微弱故障信號(hào)的特征提取方法具有重要意義。在

3、機(jī)械傳動(dòng)過(guò)程中，由于轉(zhuǎn)速不穩(wěn)定、負(fù)荷變化和環(huán)境噪聲等因素的影響，其振動(dòng)信號(hào)表現(xiàn)出非平穩(wěn)和非線性的特征。目前對(duì)此類信號(hào)的故障特征提取與診斷常采用倒頻譜分析、共振解調(diào)、時(shí)頻分布和小波變換等方法J。其中，以小波變換的應(yīng)用最為廣泛J。由于小波變換的本質(zhì)是可調(diào)的窗口傅里葉變換，在對(duì)信號(hào)作相關(guān)變換時(shí)會(huì)產(chǎn)生能量泄漏，同時(shí)基函數(shù)選擇困難，使得該方法在獲得較高精度的故障特征時(shí)存在很大困難J。希爾伯特一黃變換(Hilbert-HuangTransform，HHT)是近年來(lái)由Huang_7]等人提出的一種分析非平穩(wěn)和非線性信號(hào)的有效方法。由于HHT方法能自適應(yīng)地將復(fù)雜信號(hào)分解成一系列包含信號(hào)特征

4、的固有模態(tài)函數(shù)(IntrinsicModeFunction，IMF)，突顯信號(hào)局部特性，因此被廣泛應(yīng)用于微弱故障信號(hào)診斷領(lǐng)域。蘇中原等人針對(duì)周期平穩(wěn)類微弱故障信號(hào)難以檢測(cè)的問題，提出了基于HHT的故障信號(hào)檢測(cè)方法；楊露等人通過(guò)對(duì)比研究指出，對(duì)于故障引起包絡(luò)變化的信號(hào)，在故障特征提取有效性方面，HHT明顯優(yōu)于小波變換；熊圻。。等人使用HHT有效地提取出了轉(zhuǎn)子徑向摩擦故障信號(hào)的時(shí)頻特征；劉繼承¨等人采用形態(tài)濾波和HHT相結(jié)合的方法準(zhǔn)確檢測(cè)出了由滾動(dòng)軸承內(nèi)圈故障所引起的故障特征頻率。雖然HHT方法在該領(lǐng)域有明顯優(yōu)勢(shì)，但其仍有不足，這些不足會(huì)限制它在相關(guān)領(lǐng)域的進(jìn)一步發(fā)展。具體表現(xiàn)：

5、(1)由于信號(hào)間斷l(xiāng)生，出現(xiàn)了模態(tài)混疊問題，即同一個(gè)IMF中包含不同的頻率成分；(2)對(duì)于機(jī)械故障診斷而言，通常只有部分IMF包含故障信息，其它IMF為噪聲成分或干擾成分。因此，如果上述問題不解決會(huì)使Hilbert譜所提取的故障特征不明顯，同時(shí)降低故障診斷精度?；谏鲜龇治?，本文提出一種基于平均總體經(jīng)驗(yàn)?zāi)B(tài)分解(EnsembleEmpiricalModeDecomposition，收稿日期：2016一【)4—12作者簡(jiǎn)介：周小龍(1987一)，男，吉林省長(zhǎng)春市人，東北電力大學(xué)工程訓(xùn)練教學(xué)中心助理實(shí)驗(yàn)師，碩士，主要研究方向：機(jī)械精密加工與故障診斷．第5期周小龍等：基于改進(jìn)HH

6、T的微弱故障信號(hào)特征提取方法53EEMD)和敏感IMF判別算法相結(jié)合的微弱故障信號(hào)特征提取方法。EEMD能有效避免經(jīng)驗(yàn)?zāi)B(tài)分解(EmpiricalModeDecomposition，EMD)的模態(tài)混疊現(xiàn)象，敏感IMF判別算法能去除虛假IMF分量，突顯信號(hào)的故障特征。仿真和實(shí)際試驗(yàn)證明了該方法能有效提取故障信息，達(dá)到早期檢測(cè)和診斷的目的。1改進(jìn)HHTHHT方法主要由EMD和Hilbert變換兩部分組成。但是，EMD在分解信號(hào)的過(guò)程中存在模態(tài)混疊問題。該問題會(huì)使EMD分解出的IMF分量失去真實(shí)的物理意義，難以表征信號(hào)特征；而由IMF分量經(jīng)Hilbert變換所得的Hilbert譜

7、的精確性與診斷精度都會(huì)明顯降低。為解決該問題，wu_】等人提出了EEMD分解法。1．1EEMD通過(guò)EMD分解，可以將任何復(fù)雜信號(hào)分解成一系列從高頻到低頻表示該信號(hào)特征時(shí)間尺度的IMFs。EMD分解其實(shí)也是一個(gè)信號(hào)“篩分”的過(guò)程，將信號(hào)(t)作為待處理信號(hào)，最終可分解為(t)=∑c(t)+(t)，(1)式中：c。，c，?，C為獲得的／Z階IMF；r為殘余分量。EEMD的實(shí)質(zhì)是一種在信號(hào)中加入噪聲的輔助分析方法¨。其具體分解步驟如下：(1)初始化總體平均次數(shù)K和加入的噪聲幅值，并使k=I；(2)給待分析的信號(hào)(t)加入