沈頡 郭欣 何嘉

摘要：旋轉(zhuǎn)機械故障特征的提取是監(jiān)測故障信號的關(guān)鍵。本文針對旋轉(zhuǎn)機械中的重要零部件如軸承等的故障振動信號往往被噪聲淹沒的問題，提出一種基于完備集成經(jīng)驗?zāi)B(tài)分解的改進希爾伯特黃故障特征提取方法，消除了經(jīng)驗?zāi)B(tài)分解存在的模態(tài)混疊現(xiàn)象。該方法首先采用相關(guān)性、光滑度綜合指標進行信號去噪，然后利用改進的希爾伯特黃篩選出故障特征模態(tài)進行信號重構(gòu)，最后對重構(gòu)信號進行頻譜分析。經(jīng)過仿真信號和實測信號的驗證，此方法能夠準確提取故障特征頻率，從而實現(xiàn)對故障信號的識別。

關(guān)鍵詞： 故障信號; 信號重構(gòu); 能量指標; 故障特征提取

【Abstract】 The extraction of fault characteristics of rotating machinery is the key to monitoring fault signals. In this paper， the fault vibration signal of important parts such as bearings in rotating machinery is often overwhelmed by noise. The paper proposes an improved Hilbert Huang fault feature extraction method based on complete integrated empirical mode decomposition， which eliminates the empirical mode and decomposes the existence of modal aliasing. The method firstly uses the comprehensive index such as correlation and smoothness to denoise the signal， then uses the improved Hilbert Huang to screen out the fault modality for signal reconstruction， finally performs spectrum analysis on the reconstructed signal. After verification of the simulated signal and the measured signal， the method can accurately extract the fault characteristic frequency， thereby realizing the identification of the fault signal.

【Key words】 ?fault signal; signal reconstruction; energy index; fault feature extraction

0 引 言

目前旋轉(zhuǎn)傳動部分對于各類機械裝置而言必不可少，其中軸承作為作為核心部件起著至關(guān)重要的作用，該部件的性能表現(xiàn)在很大程度上影響著整套設(shè)備的運行狀態(tài)[1]。然而當(dāng)這些重要的機械部件發(fā)生故障時，會直接降低設(shè)備的工作效率，如果不能盡快發(fā)現(xiàn)作為安全隱患遲早會損傷設(shè)備，甚至危害人身財產(chǎn)安全[2]。因此，及早發(fā)現(xiàn)設(shè)備故障，排除安全隱患具有十分重要的現(xiàn)實意義。但是工業(yè)上旋轉(zhuǎn)機械傳動系統(tǒng)結(jié)構(gòu)復(fù)雜多樣，其故障信號也具有非平穩(wěn)性、非線性、頻譜復(fù)雜等特性，且隱藏在噪聲信號中不易被發(fā)現(xiàn)，故常規(guī)的針對周期平穩(wěn)信號的時頻分析方法并不適用于該類故障特征的檢測分析[3]。

針對復(fù)雜信號的時頻分析方法主要有小波變換、短時傅里葉變換、經(jīng)驗?zāi)B(tài)分解等[4]，其中短時傅里葉變換依舊是以固定函數(shù)為基礎(chǔ)，將原始信號進行固定的基底映射。小波變換的基底具有可塑性、可選性，但這些操作都需要人為完成。經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）方法可以將信號分解為不同尺度的分量（Intrinsic Mode Function， IMF），在此過程中無人為干預(yù)，具有自適應(yīng)性，經(jīng)處理后信號具有很好的完備性，但是該方法存在模態(tài)混疊現(xiàn)象和端點效應(yīng)[4]。葉美桃等人[5]提出了一種改進雙樹復(fù)小波變換的齒輪箱復(fù)合故障特征提取方法。王宏民等人[6]提出了一種使用變分模態(tài)分解（VMD）方法對齒輪裂紋故障進行特征提取，并分析了變分模態(tài)分解方法在信號解耦中的適用性。冷軍發(fā)等人[7]提出了一種基于經(jīng)驗?zāi)B(tài)分解與約束獨立分量分析相結(jié)合的故障特征提取方法。與常規(guī)EMD分解方法相比，這些方法有了長足的進步，能夠較好抑制“模態(tài)混疊”現(xiàn)象的發(fā)生，但由于仍使用以EMD為基礎(chǔ)的信號處理算法，難以從根本上解決問題，將對最終結(jié)果產(chǎn)生影響。

自適應(yīng)白噪聲的完備經(jīng)驗?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with adaptive noise， CEEMDAN）是通過在特定分解階段加入特定的白噪聲，使得每一次迭代的余項唯一，消除了EMD的模態(tài)混疊現(xiàn)象[8]。因此，本文采用基于CEEMDAN的改進希爾伯特黃算法，提取故障特征信號進行故障分析。

1 理論基礎(chǔ)

希爾伯特黃（Hilbert-Huang Transform，HHT）主要包含經(jīng)驗?zāi)B(tài)分解和希爾伯特變換兩部分[9]。本文采用CEEMDAN對原始信號進行經(jīng)驗?zāi)B(tài)分解，得到精確的模態(tài)分量。在自適應(yīng)白噪聲的完備經(jīng)驗?zāi)B(tài)分解基礎(chǔ)上，通過設(shè)置相關(guān)性、光滑度權(quán)重運用綜合算法對信號進行降噪處理。采用改進的HHT求得降噪后剩余模態(tài)分量能量值，利用能量的大小篩選出包含故障特征的模態(tài)分量重構(gòu)信號。故障特征提取方法流程圖如圖 1所示。