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
滚动轴承的特点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]。EMD分解过程简述如下：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。