胡謐

【摘 要】本文將小波及聚合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）和Hilbert-Huang 變換（HHT）邊際譜的故障分析方法相結(jié)合，應(yīng)用于強(qiáng)噪聲背景下軸承信號(hào)故障特征提取。首先將軸承信號(hào)利用小波變換進(jìn)行降噪處理，然后采用EEMD方法將軸承振動(dòng)信號(hào)分解成若干個(gè)固有模態(tài)函數(shù)（IMFs）；然后對(duì)各IMF進(jìn)行Hilbert變換，求出軸承振動(dòng)信號(hào)的HHT邊際譜，最后根據(jù)邊際譜能夠區(qū)分不同工況下的正常和故障軸承，正確率為100%，并且通過(guò)譜圖及局部細(xì)化圖能夠分析其頻率特征。結(jié)果表明，這種方法能夠有效提取軸承故障特征信息，提高軸承故障診斷率。

【關(guān)鍵詞】小波；EEMD_HHT；邊際譜；局部細(xì)化；滾動(dòng)軸承

中圖分類號(hào)： TN911.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）26-0008-005

DOI：10.19694/j.cnki.issn2095-2457.2018.26.003

Rolling Bearing Fault Diagnosis Based on Wavelet denoising and Ensemble Empirical Mode

and Hilbert-Huang Transform Marginal Spectrum

HU Mi

（College of Science and Technology，China Three Gorges University，

Yichang Hubei 443002，China）

【Abstract】The paper combines Wavelet with Ensemble Empirical Mode and Hilbert-Huang Transform Marginal Spectrum fault analysis methods to apply to rolling bearing signals fault feature extraction under strong noise background.Firstly rolling bearing signals were denoised with wavelet transformation，and then were decomposed into several IMFs，then each IMFs carried on Hilbert transformation to get HHT Marginal spectrum of the rolling bearing vibrating signals，finally normal and faulty rolling bearings of different work states can be classified based on this marginal spectrums with 100% accuracy，and their frequency features can be analyzed with marginal spectrums and their local refinement diagrams.The result shows this method can extract the fault features of rolling bearings and raise the rolling bearings fault diagnosis rate.

【Key words】Wavelet；EEMD_HHT；Marginal Spectrum；Local refinement；Rolling Bearing

0 引言

滾動(dòng)軸承是機(jī)械系統(tǒng)中最廣泛的通用部件，一旦發(fā)生故障對(duì)機(jī)械系統(tǒng)的正常運(yùn)行產(chǎn)生重大影響。在工程中測(cè)取的滾動(dòng)軸承故障信號(hào)一般是非平穩(wěn)、非線性的，而且受到隨機(jī)噪聲的干擾，使得信號(hào)的信噪比很低，難以檢測(cè)[1]。1998年，N.E.Huang 等人提出了基于瞬時(shí)頻率的信號(hào)處理方法———經(jīng)驗(yàn)?zāi)B(tài)分解方法（EMD），并在此基礎(chǔ)上發(fā)明了Hilbert-Huang變換（HHT）。HHT方法既汲取了小波變換的分析優(yōu)勢(shì)，又避免了小波變換中需要選取小波基的問(wèn)題，具有良好的局部適應(yīng)性?；贓MD的HHT 方法在應(yīng)用中的問(wèn)題是易于產(chǎn)生模態(tài)混疊問(wèn)題，針對(duì) EMD-HHT方法存在模態(tài)混疊問(wèn)題，提出了一種基于聚合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和HHT邊際譜相結(jié)合的信號(hào)時(shí)頻分析方法[2]。由于噪聲的干擾，HHT的核心經(jīng)驗(yàn)?zāi)B(tài)分解法具有自適應(yīng)性，信號(hào)中的噪聲也參與EMD分解，使原始故障特征信息與噪聲混淆而不易提取，從而影響對(duì)故障的準(zhǔn)確診斷[3]。本文對(duì)被噪聲污染的滾動(dòng)軸承振動(dòng)信號(hào)先進(jìn)行小波降噪處理，然后聚合經(jīng)驗(yàn)?zāi)B(tài)分解，獲得有限數(shù)目的固有模態(tài)函數(shù)，然后對(duì)振動(dòng)信號(hào)進(jìn)行Hilbert變換，得到信號(hào)Hilbert譜及其邊際譜，最后通過(guò)邊際譜特性反映出來(lái)的物理信息診斷出滾動(dòng)軸承的故障特征，使故障特征信息更突出，驗(yàn)證了小波變換和EEMD_HHT相結(jié)合的分析方法的有效性。

1 EMD和EEMD

1.1 經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）

EMD是一種自適應(yīng)的、高效的信號(hào)分解方法，它通過(guò)一個(gè)“篩選”過(guò)程從被分析信號(hào)中提取固有模態(tài)函數(shù)（IMF）。分解得到的各個(gè)IMF分量必須滿足以下兩個(gè)條件：整個(gè)信號(hào)上的極值點(diǎn)個(gè)數(shù)和過(guò)零點(diǎn)個(gè)數(shù)相等或至多相差一個(gè)；在任意點(diǎn)處，由所有局部極大值點(diǎn)確定的上包絡(luò)線和由所有局部極小值點(diǎn)確定的下包絡(luò)線的均值為零。

1.2 聚合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）

EMD最主要的缺點(diǎn)是頻繁出現(xiàn)的模態(tài)混疊現(xiàn)象。為此，Zhaohua Wu和HHT變換的發(fā)明者Nor-den E.Huang通過(guò)實(shí)驗(yàn)的方法揭示了EMD分解的作用像一個(gè)有效二進(jìn)濾波器組。它能夠?qū)自肼暦纸鉃榫哂胁煌行念l率的一系列IMF分量，而中心頻率嚴(yán)格的保持為前一個(gè)的1/2。但這種認(rèn)定是基于以下假設(shè)所得出的結(jié)論，即分析的數(shù)據(jù)由白噪聲組成，且白噪聲的尺度均勻的分布在整個(gè)時(shí)間或時(shí)間頻率尺度上。當(dāng)數(shù)據(jù)不是純的白噪聲時(shí)，分解中一些時(shí)間尺度會(huì)丟失，這時(shí)就會(huì)造成分解的混亂，即模態(tài)混疊。聚合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）可有效的彌補(bǔ)EMD分解的不足，它把一個(gè)全體測(cè)試的均值定義為真實(shí)的IMF分量，每個(gè)分量都包含了信號(hào)和有限幅值的白噪聲。