基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

合集下载

基于独立分量分析与相关系数的机械故障特征提取

提取，获取机械故障蕴含的一些特征，应用范围广，具有较高地工程应用价值。关键词：独立分量分析；特征提取；相关系数；故障诊断；支持向量机
中图分类号：ＴＨ１６５．３文献标识码：Ａ
Ｍａｃｈｉｎｅｒｙｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｎｄｃｏｒｒｅｌａｔｉｏｎｃｏｅｉｃｆｉｅｎｔ
振
第３２卷第６期
动
与
冲击
ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨＯＣＫ
基于独立分量分析与相关系数的机械故障特征提取
赵志宏，杨绍普，申永军
（１．石家庄铁道大学信息科学与技术学院，石家庄０５００４３；２．河北省交通安全与控制重点实验室，石家庄０５０４３ｂｅｅｎａｐｐｌｉｅｄｔｏｔｗｏｔａｓｋｓ：ｇｅａｒｆｅａｕｈｄｉａｇｎｏｓｉｓａｎｄｒｏｌｌｅｒｂｅａｉｒｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ．ＥｘｐｅｉｒｍｅｎｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅＩＣＡｏｆｅａｃｈｆａｕｌｔｃａｔｅｇｏｒｙａｎｄｔｈｅｃｏｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｃａｎｅｘｔｒａｃｔｕｓｅｆｕｌｆｅａｔｕｒｅｓｏｒｆｍａｃｈｉｎｅｙｒｆａｕｌｔｄｉａｇｎｏｓｉｓ．Ｋｅｙｗｏｒｄｓ：ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｉｆｃｉｅｎｔ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｓｕｐｐｏ￣

HHT与振动峭度在滚动轴承故障频率特征提取中的应用

HHT与振动峭度在滚动轴承故障频率特征提取中的应用针对滚动轴承振动信号故障特征提取问题，提出了基于采用希尔伯特-黄变换与峭度指标的滚动轴承故障特征提取方法。

该方法先求得多个正常状态的标准化峭度值，后利用峭度指标对轴承振动信号经验模态分解后的分量进行分类，大于标准化峭度值的分量进一步进行希尔伯特谱变换，提取出滚动轴承的故障频率信息。

该方法不仅能够有效完整的提取故障频率特征，同时大大提高了希尔伯特-黄变换的效率。

标签：滚动轴承；特征提取；希尔伯特-黄变换；峭度；频率特征利用采集的轴承振动信号对轴承进行故障监测是故障诊断技术中的一种有效手段。

故障特征提取是故障诊断中的关键，关系到故障诊断的准确性和可靠性。

因此，人们从各个角度时域、频域和时频域来分析信号，并研究出了很多特征提取技术[1-2]。

当滚动轴承存在局部故障时，轴承缺陷产生脉冲响应，它将引起轴承系统固有频率的共振，不同轴承故障引起的故障频率也就不同，所以频率可以作为提取轴承故障的一个特征。

希尔伯特黄变换（Hilbert-Huang Transform，HHT）是近年来研究的新方向[3]，依据信号本身的局部特征信息进行自适应的经验模态分解（Empirical Mode Decomposition，EMD），得到一系列不同特征尺度的数据序列内禀模态函数（Intrinsic Mode Function，IMF）分量和残差项。

每个IMF 分量包含不同的频率成分，再对分量进行希尔伯特谱分析，提取出故障频率特征。

当对IMF分量进行谱分析时，并没有一个规则来选择对哪一个分量分析，每一个分量都有可能包含故障信号，本文引入峭度指标，对IMF分量进行筛选，能够正确的选出含有故障信号的分量，完善了HHT法特征提取技术。

1 HHT变换HHT主要包括经验模态分解和Hilbert谱分析两个主要部分[4]。

1.1 EMD分解EMD方法实际上就是从复杂信号里分离IMF的过程，任何复杂的信号都是由一些不同的IMF组成的假设，对复杂信号进行“筛分”从而使得复杂信号经Hilbert变换后的瞬时频率具有物理意义[5-7]。

基于降噪及独立分量分析的轴承故障声信号特征提取

维普资讯
第３卷第１１期
２００８年２月
武汉科技大学学报（自然科学版）
Ｊｆｕａｉｆｃ＆Ｔｅｈ（ｔｒｌｃｎห้องสมุดไป่ตู้ｅＥｉｏ）．ｏｈｎＵｎ．ｏｉＷＳ．ｃ．ＮａｕａＳｉｃｄｔｎｅｉ
Ｍ
样还可以写为厂Ｘ… ，，，＋）形式。该（ … ｘＸ。的
式经局部线性化后变为
ＹＲ（Ｘ～ “ ）一
∑ＹＥ一），就是选择合适的ＹｙＲ（］也使得
Ｖｏ．１Ｎｏ１１３，．
Ｆｅ．０ｂ２０８
基于降噪及独立分量分析的轴承故障声信号特征提取
吕勇，友荣，涵，志刚李肖王
（汉科技大学机械自动化学院，北武汉，３０１武湖４０８）
噪声引起的，局部投影算法的主要原理就是识别
这个零子空间，后找出与其对应的。然假设零子空间是Ｍ维的，在只需找出Ｍ现个正交的矢量，且满足吸引子局部投影到这些矢量的值为最小，影到零子空间的矢量为Ｙ投
信号的降噪和特征提取一直是设备故障信号处理的两个主要研究方向。在设备故障诊断中，
将采集到的信号进行分类加工处理，括对数据包
０ｏｌＸｌ）＋（１一ｌＸ。

希尔伯特-黄变换在轴承故障诊断中的应用研究

希尔伯特-黄变换在轴承故障诊断中的应用研究作者：朱文来来源：《科技创新导报》 2013年第34期朱文来（辽宁省兴城市92419部队辽宁兴城 125106）摘要：该文通过运用希尔伯特-黄变换(Hilbert-Huang Transform，简称HHT)对轴承的故障信号进行分析，用以诊断故障类型，并取得了较好的效果，为轴承故障诊断提供了一项可行方法。

关键词：希尔伯特-黄变换轴承故障诊断中图分类号：TH133.33文献标识码：A 文章编号：1674-098X(2013)12(a)-0021-01希尔伯特-黄变换是1998年美籍华人Norden E. Huan等人提出的一种新的信号处理方法，这种方法包括经验模态分解方法(EMD)和Hilbert变换两个过程，EMD方法是其中的重要部分。

基于EMD的信号处理方法经验证在很多方面的应用效果都优于其它的信号处理方法，目前在设备故障诊断中得到了广泛的应用。

轴承在旋转机械中是非常重要的部件，当滚动轴承出现局部损伤时，在受载运转过程中，轴承的其它零件会周期地撞击损伤点，产生的冲击力激励轴承座及其支撑结构，形成一系列由冲击激励产生的减幅振荡，减幅振荡发生的频率为故障特征频率。

滚动轴承的故障振动信号为典型的非平稳随机信号。

该文通过使用希尔伯特-黄变换(Hilbert-Huang Transform，简称HHT)对滚动轴承的故障信号进行分析，以诊断故障类型。

1 滚动轴承的故障诊断1.1 旋转特征频率计算1.1.1滚动轴承损伤而引起的振动滚动轴承由内环、外环及滚动体组成，其损伤引起的振动主要表现为：内环有缺陷时的振动：当内环的某个部分存在剥落、裂纹、压痕、损伤等缺陷时，所发生振动的振动频率为f0及其高次谐波2 f0，3 f0，……。

由于轴承通常有径向间隙而使振动受到轴的旋转频率fr或滚动体的公转频率fc的调制。

外环有缺陷时的振动：当外环有缺陷时，轴承所产生振动的振动频率为fi及其高次谐波2fi，3fi……。

基于希尔伯特-黄变换的轴承故障诊断

西南交通大学本科毕业设计（论文）基于希尔伯特-黄变换的轴承故障诊断指导教师评语指导教师 (签章)评阅人评语评阅人 (签章)成绩答辩委员会主任 (签章)年月日毕业设计（论文）任务书1、本论文的目的、意义：在经济发展步伐飞快的今天，科学技术的发展水平被作为一个国家综合实力的标志，不论是在航空航天、国防科技还是日常交通工具生产当中，制造业的发展对国家的科学技术发展有着很大的影响。

在制造业中，必不可少的生产工具就是机械设备，在我们日常的机械设备里面，很多都是运用轴承来进行动力的传递，然而，轴承就是传动件中必不可少的元件，尤其在旋转机械当中。

在机械设备进行工作运转的时候，各种不定原因会使得轴承收到损害，从而影响机械设备的运转，进而影响生产工作的进行，导致生产效率的大大降低，制约经济的发展。

因此，对滚动轴承故障进行有效的前期诊断具有相当重要的意义。

具有很好的轴承故障诊断技术相当重要，以便达到对轴承故障进行前期监测，以此来降低由于轴承故障引起的不必要灾难与经济损失。

据有关统计表明，有效利用轴承故障诊断技术之后，使得由轴承故障引起的事故降低75%以上，维修费也可降低25%—50%，对国家经济发展或者机械行业本身的发展都具有不可抹灭的效果。

滚动轴承的状态监测、故障诊断技术在了解轴承的性能状态和提前发现潜在故障等方面有着非常重要的作用。

所以，为了降低由于机械设备故障对经济发展的损失，通过对轴承故障诊断技术的研究，通过前期的检查，将轴承故障引起的损坏在前期解决，以防造成更大损失和事故。

所以轴承故障诊断技术的研究具有相当重要的作用。

2、学生主要应该完成的任务：（1）阅读与本论文研究课题相关的资料文献。

对机械轴承故障类型进行主要了解，掌握引起轴承故障的主要原因所在。

（2）了解轴承故障诊断技术知识，学习轴承故障的主要诊断方法，分析各种诊断方法在轴承故障诊断工作中的优势与缺陷，与HHT变换法相比较的优缺点。

（3）学习运用MATLAB软件，提高运用该软件处理实际问题的能力，运用于论文中，结合希尔伯特-黄变换法对轴承故障进行诊断分析。

基于改进的Hilbert-Huang变换的滚动轴承故障诊断

１００）５０１
（．哈尔滨工业大学，哈尔滨１００；．哈尔滨工程大学，哈尔滨１５０１２
要由于Ｈｌｒ—Ｈａｇｉｅｂｔｕｎ变换中的ＥＤ（ｍｉｃｌｏｅｄｃｍｏｉｎＥＤ在低频段产生多余的ＩＦｉｒｓＭｅｐｉｄｅｏｐｓｉＭ）ｒａｍｔｏＭ（ｎｎｉｔｃｉ
１改进的Ｈｉｅｔａｇ变换ｌｒ－ｎｂＨｕ
ＨＴ是一种分析非线性非平稳信号的理想工具，Ｈ但和其他分析方法一样，也具有自身的缺陷。首先，采用ＥＭＤ分解信号，低频段将出现附加的Ｉ在ＭＦ导致对处理结果产生误解。其次，如果原始信号的频率成分丰富，一次分解得到的Ｉ第ＭＦ包含较宽的频带，而很从难得到单一分量信号。第三，ＭＤ不能分解包含低能Ｅ量成分的信号。针对ＨＴ的缺陷，中给出一种改进Ｈ文的ＨｌｒＨａｇ变换方法，方法是在Ｈｌｅｔｕｎｉｅｔｕｎｂ — 该ｉｒＨａｇｂ —
维普资讯
振第２６卷第４期
动
与
冲
击
ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＩＯＮＡＮＤＨＯＣＳＫ
基于改进的ＨｌｅｔＨｕｎｉｒ — ａｇ变换的滚动轴承故障诊断ｂ
李常有徐敏强郭，，
摘
耸
ｍｄｎｔｎＭＦ这一缺陷，ｏｅｆｃｉｓＩ）ｕｏ故在滚动轴承故障诊断应用中也遇到相应的麻烦。文中提出用每个ＩＭＦ的能量与原始信

基于Hilbert—Huang变换的雷达发射机故障特征提取

Ａｂｓｔｒａｃｔ：ＡｍｅｔｈｏｄｏｆｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｆｏｒｒａｄａｒｔｒａｎｓｍｉｔｔｅｒｂａｓｅｄｏｎＨｉｌｂｅｒｔ．ＨｕａｎｇＴｒａｎｓｏｒｆｍｆＨＨＴ１ｉｓｐｕｔ
Ｓｉｍｕｌａｔｅｔｈｅｉｎｐｕｔｒｅｃｔｉｔ５ｅｒａｎｄｉｌｆｔｅｒｃｉｒｃｕｉｔｏｆｓｗｉｔｃｈｉｎｇｐｏｗｅｒｓｕｐｐｌｙｉｎｒａｄａｒｔｒａｎｓｍｉｔｔｅｒ．ＧｅｔａｎｕｍｂｅｒｏｆＩＭＦｓｆｒｏｍｆａｕｌｔｖｏｌｔａｇｅｓｉｇｎａｌｂｙＥＥＭＤ．ａｎｄｔｈｅＩＦｆｒｏｍｏｎｅｏｆｔｈｅＩＭＦｓｂｙＨｉｌｂｅｒｔｔｒａｎｓｏｒｆｍ．Ｔｈｅｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｐｒｏｖｅｄｔｈａｔ．ｔｈｅＩＦｈａｓｄｅｆｉｎｉｔｅｐｈｙｓｉｃａｌｍｅａｎｉｎｇｂａｓｅｄｏｎｔｈｅＨＨＴ．ａｎｄＨＨＴｃａｎｄｅｔｅｃｔｆａｕｌｔｉｎｏｒｆｍａｔｉｏｎａｎｄｅｘｔｒａｃｔｆａｕｌｔｆｅａｔｕｒｅｏｒｆｒａｄａｒｔｒａｎｓｍｉｔｔｅｒｆｕｌｌｙａｎｄｒｅｌｉａｂｌｙ．Ｋｅｙｗｏｒｄｓ：Ｈｉｌｂｅｒｔ — Ｈｕａｎｇｔｒａｎｓｏｒｆｍ；ｒａｄａｒｔｒａｎｓｍｉｔｔｅｒ；ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅ

希尔伯特-黄变换在轴承故障诊断中的应用研究

变换（Ｈｉｌｂｅｒｔ－ＨｕａｎｇＴｒａｎｓｆｏｒｍ，简称ＩＭＦ）。它满足如下两个条件：（１）信号极值３结语ＨＨＴ）对滚动轴承的故障信号进行分析，以点的数量与零点数相等或相差是１；（２）信该文通过使用ＨＨＴ方法对故障信号进诊断故障类型。号的由极大值定义的上包络和由极小值定行了处理，提取出了故障特征频率，获得了义的下包络的局部均值为零。很好的处理效果，其分析结果与理论计算ＥＭＤ筛选过程如下：１滚动轴承的故障诊断非常接近，能够准确地诊断出轴承的故障，（１）对输入信号Ｘ（ｔ），求取极大值点ｘ（ｔ），ｉｕ＝１， ……，Ｎ和极小值点ｘ（ｔ１），１．１．１滚动轴承损伤而引起的振动ｕ＝１， … … ，Ｎｌ；滚动轴承由内环、外环及滚动体组成ｊ（２）对极大值点和极小值点采用三其损伤引起的振动主要表现为：．（ｔ）、内环有缺陷时的振动：当内环的某个次样条函数插值构造信号上下包络ＸＸ（ｔ），计算上、下包络的均值函数ｍ＝（部分存在剥落、裂纹、压痕、损伤等缺陷时，（ｔ）＋Ｘ１（ｔ））／２；所发生振动的振动频率为ｆ。及其高次谐波２ｘ

基于Hilbert_Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于 0.12/-340,567 变换的特征能量法。该 0,567 变换的基础上，以此作为滚动轴承的故障方法在 0.12/-340,567 变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量，特征向量，并通过建立 <4距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明，基于 0.12/-340,567 变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。关键词滚动轴承
A
!""#$%" 计算机工程与应用
!
&’()*+,-&./01 变换
(
&’()*+,-&./01 变换包括 234 方法和 &’()*+, 变换两部分。 234 方法假设任何信号都由不同的内禀模态函数（ 536）组成，每个 536 可以是线性的，也可以是非线性的， 536 分量必
0.12/-340,567 变换
特征能量法
距离判别函数
故障特征
文章编号 %""!4C**%4（ !""# ） %"4"""A4"*
文献标识码 F
中图分类号 )0%A@
-.% /%*’)&% 0+%&,1 2%’.34 5*6%4 3+ !"#$%&’(!)*+, -&*+673&8 *+4 "’6 9::#";*’"3+ ’3 <3##%& 5%*&"+, /*)#’ ="*,+36"6

Hilbert—Huang变换在风力发电机主轴轴承故障诊断中的应用

ｉｓｖｅｒｙｃｏｍｐｌｉｃａｔｅｄａｎｄｔｉｍｅｉｎｔｅｒｖｌａｂｅｔｗｅｅｎｔｗｏａｄｊａｃｅｎｔｉｍｐａｃｔｓｉｓｖｅｙｒｓｍｌ１ａ．Ｇｅｎｅｒｌａｔｉｍｅｄｏｍａｉｎａｎｌａｙｓｉｓｎｄａｆｒｅ－
ＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓ
ＣｈｅｎＷｅｎ—ｊｉｎｇ，ＷｕＪｉｎ— ｑｉａｎｇ
（ＩｎｓｔｉｔｕｔｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｃｈｉ８３００４７，Ｃｈｉｎａ）
目前，所有安装的风力发电机中，７５％一８０％
析方法具有很好的时域和频域分辨率。但传统的
时频分析方法往往受到测不准原理的制约，很难
的主轴轴承采用滚动轴承Ｊ。滚动轴承是旋转机
械中广泛应用的关键部件，也是容易产生故障的部件。经统计，轴承故障中的４０％与污染和润滑
中图分类号：ＴＨ１３３．３３文献标志码：Ｂ文章编号：１０００—３７６２（２０１３）０６— ００５９一ｏ４
ＡｐｐｌｉｃａｔｉｏｎｏｆＨｉｌｂｅｒｔ—ＨｕａｎｇＴｒａｎｓｆｏｒｍｉｎＷｉｎｄＴｕｒｂｉｎｅＳＭａｉｎｓｈａｆｔ

希尔伯特黄变换在轴承故障诊断中的应用

希尔伯特黄变换在轴承故障诊断中的应用作者：崔新苹来源：《科学与财富》2014年第03期摘要：设备状态监测与故障诊断的重点是转动类机械，此类设备的故障很大程度上与滚动轴承有关，基于希尔伯特黄变换的滚动轴承故障诊断方法就是针对滚动轴承故障振动信号的非平稳特性提出的。

本文阐述了希尔伯特变换的基本原理和对振动信号的处理以及如何利用希尔伯特谱反映的信息对滚动轴承进行故障诊断。

关键词：希尔伯特黄变换滚动轴承故障诊断1 前言滚动轴承是旋转类机械的容易受损的零件之一，有相当大比例的旋转机械所发生的故障是由滚动轴承的失效引起的，因此对滚动轴承的状态监测和故障诊断日趋成为故障诊断技术的重中之重。

希尔伯特变换弥补了传统方式不能完全意义上进行非线性非平稳信号处理的缺陷，能够适用于非线性非平稳信号的处理。

在“筛选”过程中能够产生“基”从而具有完全自适应的能力，并且不受测不准原理的约束，在时间和空间上都能够达到足够高的精确度，所以希尔伯特黄变换在很多的领域广泛应用，本文主要是它在滚动轴承状态监测和故障诊断故障技术领域中的应用。

2 希尔伯特黄变换希尔伯特变换是由德国数学家提出的一种用于信号分析中的非常重要的工具，希尔伯特黄变换是综合了希尔伯特谱信号分析与经验模态分解而形成的一种方法。

2.1经验模态分解经验模态分解也就是所谓的“筛选”过程，它能够根据信号的不同情况自适应地把一个复杂非平稳的信号分解成为几个固有的模态函数的组合。

其中的任意一个固有模态函数满足如下两个基本条件。

一是信号极值点的数量与零点的数量在整个数据段里相等或者相差一个。

二是由极小值定义出来的下包络线与极大值定义出的上包络线在任何一点的局部平均值都为零。

经验模态分解是指用本征模态函数对输入的信号进行数据处理，求出信号所有的局部极小值点和极大值点，再对极值点运用三次样条插值函数构造出信号的下包络线和上包络线。

这两条包络线应把所有的数据点都包络进去。

2.2希尔伯特谱本征模态函数与传统方法的瞬时频率的有所不同，它有非常明确的物理意义。

基于Hilbert—Huang变换和时频域参数的机车轴承故障诊断

ｄｍａｎａｄＨｉｅｔｏｉｎｌｒ —Ｈｕｎａｓｏ。ｔｅｆｕｔｄａｎｉｈｏｙａｄｍｅｏｓ８ａａｙｅｅｐｃｖｌ．Ｔｅｅｐｒｂａｇｔｎｆｒｒｍｈａｌｉｇｏｓｔｅｒｎｔｄ增ｎｌｚｄｒｓｅｔｅｙｓｈｉｈｘｅ－ｉｍｅｔｓｏａｅｆｕｔｈｒｃｅｓｉｒｑｅｃｅｆｏｏｔｅｂａｉｇｅｐｃｅｐｅｅｔｅｙｂｈｔｏｎｈｗｔｔｔａｌｃａａｔｒｔｆｅｕｎｉｓｏｃｍｏｖｅｒｓａｉｋｄｕｆｃｉｌｙｔｅｍｅｈｄ．ｈｈｉｃｌｉｎｒｖ
ＡｂｔａｔＴｅｆｕｔｄａｎｓｃｍｅｈｄｆｌｏｔｅｂａｉｇｌｕｒｒａｅｎｐｒｍｅｅｆｔｓｒｃ：ｈａｌｉｇｏｔｔｏｓｏｉｃｏｍｏｖｅｒｎｓａｅｐｔｆｗａｄｂｓｄｏａａｔｒｏｍｅ一￣ｑｅｃｉｏｓｉｅｕｎｙ
的易损件…。因此，开展机车轴承故障诊断与预报的研究，对信
号采集设备的出现以及现代信号处理技术的发展，振动测试分析法取得了长足进步，已逐渐成为机械设备故障诊断的主要方法。本文提出了基于Ｈｌｅｔｕｎｉｒ—Ｈａｇ变换和时频ｂ域参数指标相结合的机车轴承故障诊断方法，通过试验证明，其能很好地完成机车轴承的故障诊断。
中图分类号：Ｈ３．３Ｔ６．ＴＩ３３；Ｈ１５３文献标志码：Ｂ文章编号：００— ７２２０）９—０４０１０３６（０７００４— ４

《2024年度基于HHT变换的滚动轴承故障诊断的研究》范文

《基于HHT变换的滚动轴承故障诊断的研究》篇一一、引言随着现代工业技术的不断发展，机械设备故障诊断技术已成为保障设备正常运行和预防事故发生的重要手段。

滚动轴承作为机械设备中常见的关键部件，其故障诊断技术的研究具有重要意义。

传统的滚动轴承故障诊断方法大多基于频谱分析，而近年来，希尔伯特-黄变换（HHT）作为一种新兴的信号处理方法，在滚动轴承故障诊断中得到了广泛的应用。

本文旨在研究基于HHT变换的滚动轴承故障诊断方法，以期为滚动轴承故障诊断技术的发展提供参考。

二、HHT变换原理及应用HHT变换是一种基于经验模态分解（EMD）和希尔伯特谱分析的信号处理方法。

它能够有效地处理非线性和非平稳信号，适用于滚动轴承等机械设备故障信号的分析。

HHT变换包括经验模态分解和希尔伯特谱分析两个主要步骤。

经验模态分解能够将复杂的信号分解成一系列具有不同特征尺度的本征模态函数（IMF），而希尔伯特谱分析则能够对每个IMF进行瞬时频率和振幅的分析，从而提取出信号中的有用信息。

在滚动轴承故障诊断中，HHT变换可以应用于对轴承振动信号的分析。

通过对振动信号进行经验模态分解，可以得到反映轴承不同故障特征的本征模态函数。

然后，通过希尔伯特谱分析，可以进一步提取出每个IMF的瞬时频率和振幅信息，从而实现对轴承故障的准确诊断。

三、基于HHT变换的滚动轴承故障诊断方法本文提出一种基于HHT变换的滚动轴承故障诊断方法。

首先，对滚动轴承的振动信号进行采集，然后对采集的信号进行经验模态分解，得到一系列本征模态函数。

接着，对每个IMF进行希尔伯特谱分析，提取出瞬时频率和振幅信息。

通过对这些信息的分析，可以判断出轴承的故障类型和程度。

在具体实施过程中，可以采用以下步骤：1. 对滚动轴承的振动信号进行采集，确保信号的准确性和完整性。

2. 对采集的信号进行预处理，去除信号中的噪声和干扰。

3. 对预处理后的信号进行经验模态分解，得到一系列本征模态函数。

基于第2代小波和Hilbert—Huang变换的轴承故障诊断

在滚动轴承运转过程中，于设备运行不稳由定、载荷变化等多种因素，采集的振动信号往往所伴随着大量噪声，且有用信号易被噪声淹没，造成信号分析的不准确 … 。因此，获得正确的信息，为须对振动信号进行消噪。传统的消噪方法效率低且信息获取不全，２代小波变换是一种柔性的第变换方法，不再依赖于有限的几种小波基函数，其可采用插值细分法构造新的小波，有的运算均所在时域进行，有原理清晰、法效率高等优具算势。而在第２代小波基础上发展的自适应冗余
信号的频率折叠，且更新在预测之后进行易导致
更新器的计算趋于复杂。冗余第２代小波变换不再进行分裂与合成操作，同分解层上的冗余预不测器和冗余更新器通过插值运算构造，能够直接
ｄ＝Ｐ（。Ｘ一Ｘ）（）２
在第２代小波理论中，测误差ｄ即为小波预系数，于高频分量。对应更新使得子样本维持原始数据的某些整体特性，具体过程为由预测误差ｄ通过更新器与偶数样本序列叠加来计算近似样本序列，
ＡｂｔａｔｈａｌｄａｎｓｃｍｅｈｄｆｒｒｌｎｅｒｎｓｉｕｏｗｒａｅｎｓｃｎｅｅａｉｎｗｖｌｔａｄＨｉｓｒｃ：Ｔｅｆｕｔｉｇｏｔｔｏｏｏｌｇｂａｉｇｓｐｔｒａｄｂｓｄｏｅｏｄｇｎｒｔａｅｅｎｌｉｉｆｏ－ｂｒ —ＨｕｎｒｎｆｒＴｅｓｌ —ａａｔｅｒｄｎａｔｅｏｄｇｎｒｔｎｗｖｌｔｓｆｓａｐｉｄｔｅｒａｅｔｅｎｉｅｏｅｔａｇＴａｓｏｍ．ｈｅｆｄｐｉｅｕｄｎｃｎｅｅａｉａｅｅｒｔｐｌｄｃｅｓｈｏｓｆｖｓｏｉｉｅｏｖｂａｉｎｓｇａｓａｄｉｕｅｉｒｙｉｖｉａｅｙｓｍｕａｉｎｅｐｒｎｓＴｅｈｅｏｓｄｓｇａｓａａｙｅｙｉｒｔｉｎｌｎｔｓｐｒｉｓａｄｔｄｂｉｌｔｘｅｍｅｔ．ｈｎｔｅｄｎｉｅｉｎｉｎｌｚｄｂｏｓｏｔｌｏｉｌＨＨＴ，ｅｓｇａｓｄｃｍｐｓｄｉｔｅｉｓｏＭＦｙｕｉｇＥｔｉｎｉｅｏｏｅｎｏａｓｒｆＩｓｂｓｎＭＤａｄｔｅＨｉｅｔｒｇｎｌｐｃｒｍｆｌｗｆｑｅｃｈｌｅｎｈｌｒｍａｉａｅｔｂｓｕｏｒｕｎｙｏｅｃｍｐｎｎｓｉｍａｅｔｘｒｃｈｈｒｃｅｓｉｓｏａｌｓｇａｓＴｅｓｍｕａｉｎａｄｅｐｒｎｅｕｔｓｏｈｔｔｅｏｏｅｔｓｄｏｅｔｔｔｅｃａａｔｒｔｆｆｕｔｉｌ．ｈｉｌｔｎｘｅｍｅｔｒｓｌｈｗｔａｈａｉｃｎｏｉｓｍｅｈｄｉｅｆｃｉｅａｄｐａｔａ．ｔｏｓｆｔｎｒｃｉ１ｅｖｃＫｅｒｓｏｌｇｂａｉｇｆｕｔｄａｎｓｓｓｃｎｅｅａｉｎｗａｅｅ；ｙｗｏｄ：ｒｌｎｅｒｎ；ａｌｉｇｏｉ；ｅｏｄｇｎｒｔｖｌｔＨＨＴｉｏ

基于希尔伯特黄在风力发电机组轴承故障诊断

基于希尔伯特黄在风力发电机组轴承故障诊断针对风力发电机组轴承故障振动信号特性，该信号为非平稳信号。

提出基于希尔伯特黄的對风力发电机组轴承故障的诊断方法。

该方法是用经验模式分解方法将原始信号分解成包含不同特征时间尺度的本征模态函数，并对分解后得到的每一个本征模态函数分量进行希尔伯特变换，从而得出时频平面上的幅值分布的尔伯特谱，并通过其反映出来的物理信息对风力发电机组轴承做故障诊断分析。

标签：希尔伯特黄；风力发电机组轴承；故障诊断希尔伯特黄是时频分析方法的一种，这种分析方法它可以根据信号的特征特点进行分解，得到不同的频率的信号，而且分解得到的时频的分辨率也是很高的，它能够很好的把不同频率的信号聚集在一起，能够非常实用的用在对表现不平稳的信号进行有效的处理和判断分析上。

笔者在这里把希尔伯特黄应用到风力发电机组轴承故障诊断中，用一种新型有效的方式对出现的故障进行分析。

1 希尔伯特黄变换的理论基础希尔伯特黄变换是美国宇航局的华裔工程师NordenE·Huang提出的一种多尺度信号分析方法——希尔伯特黄变换（Hilbert-Huang Transform，缩写为HHT）。

该方法在分析非线性、非平稳信号中有极大的优点，其结果得到很好的验证。

HHT方法是在对瞬时频率概念深入研究的基础上的创新。

它把非平稳的信号进行EMD分解，从而使非平稳信号达到平稳化的状态，平稳化状态的信号经过希尔伯特黄变换后就有了研究的物理意义。

1.1 经验模式分解（EMD）方法2 基于希尔伯特黄在风力发电机组轴承故障诊断的试验研究本风力发电机组轴承故障诊断实验是在风力发电机组轴承故障诊断实验台上来做的实验。

这个实验用到的实验设备有：风力发电机组主轴的轴承、实验需要的发电机和实验信号的采集设备。

风力发电机组主轴的轴承用的是滚子轴承，改主轴轴承承受的主要是径向作用力产生的载荷，同时也要承受一部分轴向作用力产生的载荷。

本实验发电机设备和实验所用的主轴设备要用联轴器进行连接。

基于改进希尔伯特黄的故障特征提取方法研究

基于改进希尔伯特黄的故障特征提取方法研究作者：沈颉郭欣何嘉来源：《智能计算机与应用》2020年第03期摘要：旋转机械故障特征的提取是监测故障信号的关键。

本文针对旋转机械中的重要零部件如轴承等的故障振动信号往往被噪声淹没的问题，提出一种基于完备集成经验模态分解的改进希尔伯特黄故障特征提取方法，消除了经验模态分解存在的模态混叠现象。

该方法首先采用相关性、光滑度综合指标进行信号去噪，然后利用改进的希尔伯特黄筛选出故障特征模态进行信号重构，最后对重构信号进行频谱分析。

经过仿真信号和实测信号的验证，此方法能够准确提取故障特征频率，从而实现对故障信号的识别。

关键词：故障信号; 信号重构; 能量指标; 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 extraction0 引言目前旋轉传动部分对于各类机械装置而言必不可少，其中轴承作为作为核心部件起着至关重要的作用，该部件的性能表现在很大程度上影响着整套设备的运行状态[1]。

希尔伯特黄变换在轴承故障诊断中的应用

希尔伯特黄变换在轴承故障诊断中的应用希尔伯特黄变换（Hilbert-Huang Transform, HHT）是一种非线性、非平稳信号分析方法，具有很高的时间-频率解析能力，因此在轴承故障诊断中得到广泛应用。

下面将从以下几个方面阐述其应用：
一、HHT在轴承信号去噪中的应用
轴承故障信号中常常包含较多的噪声，而HHT可以通过本征模态函数（Empirical Mode Decomposition, EMD）将信号分解成多个本征模态函数，通过对各本征模态函数的希尔伯特变换，得到原始信号的时频信息，从而将噪声分离出来，使得信号去噪效果更好。

二、HHT在轴承特征提取中的应用
轴承故障信号中的故障特征往往表现为频域随时间变化的非线性和非平稳特征，而HHT可直接提取这些非线性、非平稳信号的瞬时频率和瞬时能量，通过瞬时频率分析，可以有效提取出轴承故障信号的频域特征，进而实现轴承故障诊断。

三、HHT在轴承多尺度特征分析中的应用
在轴承故障诊断中，多尺度信号分析一直是一个重要的研究方向。

HHT通过EEMD将原始信号分解成不同尺度的本征模态函数，进一步对不同尺度的本征模态函数进行Hilbert变换，可获取不同尺度信号的瞬时频率和瞬时能量，实现对轴承故障信号的多尺度特征分析。

四、HHT在轴承故障诊断中的实际应用
HHT因其优秀的信号分析性能，在轴承故障诊断中得到广泛应用，如
通过处理回火带宽信号和加速度信号等，可以实现轴承局部缺陷、滚
珠故障及外圈缺陷等故障的有效诊断。

在轴承故障诊断领域中，HHT作为一种重要的信号分析方法，为轴承
故障分析提供了有效的手段，而随着科技进步和HHT理论的不断完善，其在轴承故障诊断中的应用将越来越广泛。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｆｕｔｄａｎｓｓａｐｒａｈｗａｏｏｅａｅｎＩａｌ— ｉｇｏｉｐｏｃｓｐｒｐｓｄｂｓｄｏＣＡｎａｄＨＨＴ．Ｗｉｈｔｅａｐｏｃｔｈｐｒａｈ，ｔｅｖｂａｉｎｓｇａｓｗｅｅｄｃｍｐｓｄｈｉｒｔｏｉｎｌｒｅｏｏｅ
调制干扰分量而失效。提出了基于ＨＴ和独立分量分析（Ｃ的滚动轴承诊断新方法。该方法首先利用经验模式分解ＨＩＡ）（ＭＤ）Ｅ将滚动轴承振动信号分解成若干平稳的本征模式函数ＩＭＦ分量，通过提取若干包含主要信息的ＩＭＦ分量，应用带
通滤波器和Ｈｌｅ变换获取ＩｉｒｂｔＭＦ分量的高频包络波形，再应用ＩＡ分离包络波形并进行频谱分析，而判断滚动轴承的Ｃ进
（ｏｅｅｏＭｅｈｎｃｌｎｌｃｃｌｎｉｅｒｇＫｎｎｎｅｓｙｏｃｅｃｎｅｈｏｇ，ｕｍｎ５０３ｈｎ）ＣｌｇｆｃａｉｄＥｅｔａＥｇｅｎ，ｕｍｉｇＵｉｒｉｆｉｎｅａｄＴｃｎｌｙＫｎｉ６０９，ＣｉａｌａａｉｒｎｉｖｔＳｏｇ
ｐｓｆｔｒｎｉｅｔｒｎｆｍｔｎｕｓｑｅｔ，ｈｄｐｎｅｔｏｐｎｎａａｓＩＡ）ａｍｌｅｅａａａｓｌｄＨｌｒｔｓｒａｉ．ＳｂｅｕｎｙｔｅｎｅｅｄｎｍｏｅｔｎｌｉＣｗｓｐｏｄｔｓｐｒｔｅａｉｂａｏｏｌｉｃｙｓ（ｅｙｏｅｔｅｅｖｌｐｓｎｏｉｄｐｎｅｔｏｐｎｎｓ（Ｃ）ａｃｒｉｇｔｉｄｐｎｅｃｆｉｒｔｎｓｕｃｓｉａｙｈｎｅｐｈｎｅｅｔｎｅｅｄｎｃｍｏｅｔＩｓｃｏｄｎｅｅｄｎｅｏｂａｏｏｒｅ．Ｆｎｌ，ｔｅｅｖｌｅｏｉｏｎｖｉｌｏ
ｔｎｆｒａｉＨＨ）ｄｒｃｌｍｙｆｌｏｒｍｏｅｎｉｏｂｅｖｄｍｄｌｅｇａｎｅａａｅｔｎｉｍｄｒｓｍｔｎ（ＴｉｔａｉｔｅｖｏｓｆｍｏｓｒｅｏｕａｄｓｎｌａｄｓｐｒｔｔｉｉｒｓｏｅａｏｏｅｙａｅｒｔｉｓｅｈｒｎｉｃｆｎｔｎＩｓｃｕａｌｓｃｅｒｉｗｒｉｎｌｏｎｉｔｎｌ—ｅｕｎｙｍｄｌｉ．Ｈｒ，ｅｕｃｉｓ（ＭＦ）ａｃｒｔｙｉｅｔｙａｅｗｔｌｅｓａ－ —ｏｓｒｉａｄｍｕｔｆｑｅｃｏｕａｏｏｅｎｈｈｏｇｔｅａｏｉｒｔｎｅｅａｎｗ
６０９）５０３
（昆明理工大学机电工程学院，明昆
摘要：滚动轴承早期故障信号具有能量小、频带分布宽等特征，易受到其它能量较大振源信号的干扰。传统的
希尔伯特一黄变换（Ｈ）ＨＴ对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数（Ｍ）ＩＦ实现准确分离和去除
振第３卷第１０Ｏ
动
与
冲击
Ｖｏ．ＯＮｏ１０１１３．０２１
ｊｏｕＲＮＡＬＯＦＶＩＢＲＡＴ１０ＮＡＮＤＨ０ＣＳＫ
基于独立分量分析与希尔伯特一黄变换的轴承故障特征提取
唐先广，郭瑜，丁彦春
ＡｂｔａｔＶｉｒｔｏｉｎｌｇｎｒｔｄｂｎｉｉｎａｌｓｏｏｌｎｌｍｅｔｂａｎｓｕｓａｌｔｏｅｅｇｎｄｓｒｃ：ｂａｉｎｓｇａｅｅａｅｙｉｃｐｅｔｆｕｔｆｒｌｉｇｅｅｎｅｒｇｉｕｌｙｗｉｌｗｎｒｙａｉｈｄｓｅｓｄｆｅｕｅｃｉｔｂｔｏｉｐｒｅｒｑｎｙｄｓｒｕｉｎ，ｉｉａｉｙｍｅｇｄｉｔｏｇｄｓｕｂｎｅｆｏｈｅｉｒｔｏｏｃｓｉｔｓｅｓｌｒｅｎｓｒｎｉｔｒａｃｓｏｔｒｖｂａｉｎｓｕｒｅ．ＵｓｎｌｅｔＨｕｎｉｇＨｉｒ— ａｇｂ
运行状况。仿真和试验分析结果验证了本方法的可行性。关键词：独立分量分析；尔伯特一黄变换；希经验模式分解；滚动轴承；特征提取
中图分类号：Ｔ１３３Ｈ３．３文献标识码：Ａ
ＲｏｌｎｇｅｅｅｔｂｅｒｎｇｆｕｌｅｔｅｅｔａｔｏｂａｅｎｌｉｌｍｎａｉａｔｆａｕｒｘｒｃｉｎｓｄｏＨＨＴｎｄｉｄｅｎｎｔｃｍｐｍｅｎａｙｉａｎｐｅｄｅｏｏｎｔａｌｓｓＴＡＮＧａｇｕｎＸｉｎ— ａｇ，ＧＵＯｕ，ＤＩＹＮＧａｃｕＹｎ—ｈｎ
ｆｕｌｉｆｒａｉｎｏｏｌｇｅｅｎｅｒｎｒｅｅｔｄａｈｏｒｓｏｄｎｎｅｏｅｒｘｒｃｅｔａｄ— ａｔｎｏｍｔｏｆａｒｌｉｌｍｅｔｂａｇｗｅｅｓｌｃｅｎｄｔｅｃｒｅｐｎｉｇｅｖｌｐｓｗｅｅｅｔａｔｄｗｉａｂｎｎｉｈ
ｕｉｇｔｅｅｐｒａｍｄｅｏｏｉｏ（ＭＤ）ｔｇｔｔｂｅＩｏｐｎｎｓａｆｓｈｎｈＭｓｃｎａｎｎｈｓｍｉｃｌｏｅｄｃｍｐｓｉｎｈｉｔｎＥｏｅｓｌＭＦｃｍｏｅｔｔｒｔｅ。ｔｅＩＦｏｔｉｇｔｅａ．Ｔｉｉ