基于改进HHT的微弱故障信号特征提取方法.pdf

《基于改进HHT的微弱故障信号特征提取方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第36卷第5期东北电力大学学报V01．36．No．52016年1O月JournalOfNortheastDianliUniversity0ct．．2016文章编号：1005—2992(2016)05—0052—05基于改进HHT的微弱故障信号特征提取方法周小龙，姜振海2，马风雷2(1．东北电力大学工程训练教学中心，吉林吉林132012；2．长春工业大学机电工程学院，长春130012)摘要：针对微弱故障信号故障特征难以提取的问题，提出一种基于改进希尔伯特一黄变换的故障特征提取方法。该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数，再选取对故障特征敏感的固有

2、模态函数进行希尔伯特谱和边际谱分析，从中提取故障特征。仿真和实际试验证明：希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性，为微弱故障信号的特征提取提供了一种切实可行的方法。关键词：希尔伯特一黄变换；平均总体经验模态分解；微弱信号；特征提取中图分类号：TH17文献标识码：A在机械传动设备中，当某一零件出现早期缺陷时，其振动信号十分微弱，往往被其它零部件的运行振动信号和背景噪声所淹没，为故障的检测和诊断带来困难¨J。若设备中出现早期故障而不及时处理，将使机械传动设备无法平稳传动，并有可能造成有关部件报废。因此，研究机械设备微弱故障信号的特征提取方法具有重要意义。在

3、机械传动过程中，由于转速不稳定、负荷变化和环境噪声等因素的影响，其振动信号表现出非平稳和非线性的特征。目前对此类信号的故障特征提取与诊断常采用倒频谱分析、共振解调、时频分布和小波变换等方法J。其中，以小波变换的应用最为广泛J。由于小波变换的本质是可调的窗口傅里叶变换，在对信号作相关变换时会产生能量泄漏，同时基函数选择困难，使得该方法在获得较高精度的故障特征时存在很大困难J。希尔伯特一黄变换(Hilbert-HuangTransform，HHT)是近年来由Huang_7]等人提出的一种分析非平稳和非线性信号的有效方法。由于HHT方法能自适应地将复杂信号分解成一系列包含信号特征

4、的固有模态函数(IntrinsicModeFunction，IMF)，突显信号局部特性，因此被广泛应用于微弱故障信号诊断领域。苏中原等人针对周期平稳类微弱故障信号难以检测的问题，提出了基于HHT的故障信号检测方法；杨露等人通过对比研究指出，对于故障引起包络变化的信号，在故障特征提取有效性方面，HHT明显优于小波变换；熊圻。。等人使用HHT有效地提取出了转子径向摩擦故障信号的时频特征；刘继承¨等人采用形态滤波和HHT相结合的方法准确检测出了由滚动轴承内圈故障所引起的故障特征频率。虽然HHT方法在该领域有明显优势，但其仍有不足，这些不足会限制它在相关领域的进一步发展。具体表现：

5、(1)由于信号间断l生，出现了模态混叠问题，即同一个IMF中包含不同的频率成分；(2)对于机械故障诊断而言，通常只有部分IMF包含故障信息，其它IMF为噪声成分或干扰成分。因此，如果上述问题不解决会使Hilbert谱所提取的故障特征不明显，同时降低故障诊断精度。基于上述分析，本文提出一种基于平均总体经验模态分解(EnsembleEmpiricalModeDecomposition，收稿日期：2016一【)4—12作者简介：周小龙(1987一)，男，吉林省长春市人，东北电力大学工程训练教学中心助理实验师，硕士，主要研究方向：机械精密加工与故障诊断．第5期周小龙等：基于改进HH

6、T的微弱故障信号特征提取方法53EEMD)和敏感IMF判别算法相结合的微弱故障信号特征提取方法。EEMD能有效避免经验模态分解(EmpiricalModeDecomposition，EMD)的模态混叠现象，敏感IMF判别算法能去除虚假IMF分量，突显信号的故障特征。仿真和实际试验证明了该方法能有效提取故障信息，达到早期检测和诊断的目的。1改进HHTHHT方法主要由EMD和Hilbert变换两部分组成。但是，EMD在分解信号的过程中存在模态混叠问题。该问题会使EMD分解出的IMF分量失去真实的物理意义，难以表征信号特征；而由IMF分量经Hilbert变换所得的Hilbert谱

7、的精确性与诊断精度都会明显降低。为解决该问题，wu_】等人提出了EEMD分解法。1．1EEMD通过EMD分解，可以将任何复杂信号分解成一系列从高频到低频表示该信号特征时间尺度的IMFs。EMD分解其实也是一个信号“筛分”的过程，将信号(t)作为待处理信号，最终可分解为(t)=∑c(t)+(t)，(1)式中：c。，c，⋯，C为获得的／Z阶IMF；r为残余分量。EEMD的实质是一种在信号中加入噪声的辅助分析方法¨。其具体分解步骤如下：(1)初始化总体平均次数K和加入的噪声幅值，并使k=I；(2)给待分析的信号(t)加入