基于小波去噪和EEMD_HHT邊際譜的滾動軸承故障診斷

胡謐

【摘 要】本文將小波及聚合經驗模態分解（ensemble empirical mode decomposition，EEMD）和Hilbert-Huang 變換（HHT）邊際譜的故障分析方法相結合，應用于強噪聲背景下軸承信號故障特征提取。首先將軸承信號利用小波變換進行降噪處理，然后采用EEMD方法將軸承振動信號分解成若干個固有模態函數（IMFs）；然后對各IMF進行Hilbert變換，求出軸承振動信號的HHT邊際譜，最后根據邊際譜能夠區分不同工況下的正常和故障軸承，正確率為100%，并且通過譜圖及局部細化圖能夠分析其頻率特征。結果表明，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。

【關鍵詞】小波；EEMD_HHT；邊際譜；局部細化；滾動軸承

中圖分類號： TN911.4 文獻標識碼： A 文章編號： 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

滾動軸承是機械系統中最廣泛的通用部件，一旦發生故障對機械系統的正常運行產生重大影響。在工程中測取的滾動軸承故障信號一般是非平穩、非線性的，而且受到隨機噪聲的干擾，使得信號的信噪比很低，難以檢測[1]。1998年，N.E.Huang 等人提出了基于瞬時頻率的信號處理方法———經驗模態分解方法（EMD），并在此基礎上發明了Hilbert-Huang變換（HHT）。HHT方法既汲取了小波變換的分析優勢，又避免了小波變換中需要選取小波基的問題，具有良好的局部適應性?；贓MD的HHT 方法在應用中的問題是易于產生模態混疊問題，針對 EMD-HHT方法存在模態混疊問題，提出了一種基于聚合經驗模態分解（EEMD）和HHT邊際譜相結合的信號時頻分析方法[2]。由于噪聲的干擾，HHT的核心經驗模態分解法具有自適應性，信號中的噪聲也參與EMD分解，使原始故障特征信息與噪聲混淆而不易提取，從而影響對故障的準確診斷[3]。本文對被噪聲污染的滾動軸承振動信號先進行小波降噪處理，然后聚合經驗模態分解，獲得有限數目的固有模態函數，然后對振動信號進行Hilbert變換，得到信號Hilbert譜及其邊際譜，最后通過邊際譜特性反映出來的物理信息診斷出滾動軸承的故障特征，使故障特征信息更突出，驗證了小波變換和EEMD_HHT相結合的分析方法的有效性。

1 EMD和EEMD

1.1 經驗模態分解（EMD）

EMD是一種自適應的、高效的信號分解方法，它通過一個“篩選”過程從被分析信號中提取固有模態函數（IMF）。分解得到的各個IMF分量必須滿足以下兩個條件：整個信號上的極值點個數和過零點個數相等或至多相差一個；在任意點處，由所有局部極大值點確定的上包絡線和由所有局部極小值點確定的下包絡線的均值為零。

1.2 聚合經驗模態分解（EEMD）

EMD最主要的缺點是頻繁出現的模態混疊現象。為此，Zhaohua Wu和HHT變換的發明者Nor-den E.Huang通過實驗的方法揭示了EMD分解的作用像一個有效二進濾波器組。它能夠將白噪聲分解為具有不同中心頻率的一系列IMF分量，而中心頻率嚴格的保持為前一個的1/2。但這種認定是基于以下假設所得出的結論，即分析的數據由白噪聲組成，且白噪聲的尺度均勻的分布在整個時間或時間頻率尺度上。當數據不是純的白噪聲時，分解中一些時間尺度會丟失，這時就會造成分解的混亂，即模態混疊。聚合經驗模態分解（ensemble empirical mode decomposition，EEMD）可有效的彌補EMD分解的不足，它把一個全體測試的均值定義為真實的IMF分量，每個分量都包含了信號和有限幅值的白噪聲。