基于小波去噪和EEMD_HHT边际谱的滚动轴承故障诊断

胡谧

【摘 要】本文将小波及聚合经验模态分解（ensemble empirical mode decomposition，EEMD）和Hilbert-Huang 變换（HHT）边际谱的故障分析方法相结合，应用于强噪声背景下轴承信号故障特征提取。首先将轴承信号利用小波变换进行降噪处理，然后采用EEMD方法将轴承振动信号分解成若干个固有模态函数（IMFs）；然后对各IMF进行Hilbert变换，求出轴承振动信号的HHT边际谱，最后根据边际谱能够区分不同工况下的正常和故障轴承，正确率为100%，并且通过谱图及局部细化图能够分析其频率特征。结果表明，这种方法能够有效提取轴承故障特征信息，提高轴承故障诊断率。

【关键词】小波；EEMD_HHT；边际谱；局部细化；滚动轴承

中图分类号： TN911.4 文献标识码： A 文章编号： 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

滚动轴承是机械系统中最广泛的通用部件，一旦发生故障对机械系统的正常运行产生重大影响。在工程中测取的滚动轴承故障信号一般是非平稳、非线性的，而且受到随机噪声的干扰，使得信号的信噪比很低，难以检测[1]。1998年，N.E.Huang 等人提出了基于瞬时频率的信号处理方法———经验模态分解方法（EMD），并在此基础上发明了Hilbert-Huang变换（HHT）。HHT方法既汲取了小波变换的分析优势，又避免了小波变换中需要选取小波基的问题，具有良好的局部适应性。基于EMD的HHT 方法在应用中的问题是易于产生模态混叠问题，针对 EMD-HHT方法存在模态混叠问题，提出了一种基于聚合经验模态分解（EEMD）和HHT边际谱相结合的信号时频分析方法[2]。由于噪声的干扰，HHT的核心经验模态分解法具有自适应性，信号中的噪声也参与EMD分解，使原始故障特征信息与噪声混淆而不易提取，从而影响对故障的准确诊断[3]。本文对被噪声污染的滚动轴承振动信号先进行小波降噪处理，然后聚合经验模态分解，获得有限数目的固有模态函数，然后对振动信号进行Hilbert变换，得到信号Hilbert谱及其边际谱，最后通过边际谱特性反映出来的物理信息诊断出滚动轴承的故障特征，使故障特征信息更突出，验证了小波变换和EEMD_HHT相结合的分析方法的有效性。

1 EMD和EEMD

1.1 经验模态分解（EMD）

EMD是一种自适应的、高效的信号分解方法，它通过一个“筛选”过程从被分析信号中提取固有模态函数（IMF）。分解得到的各个IMF分量必须满足以下两个条件：整个信号上的极值点个数和过零点个数相等或至多相差一个；在任意点处，由所有局部极大值点确定的上包络线和由所有局部极小值点确定的下包络线的均值为零。

1.2 聚合经验模态分解（EEMD）

EMD最主要的缺点是频繁出现的模态混叠现象。为此，Zhaohua Wu和HHT变换的发明者Nor-den E.Huang通过实验的方法揭示了EMD分解的作用像一个有效二进滤波器组。它能够将白噪声分解为具有不同中心频率的一系列IMF分量，而中心频率严格的保持为前一个的1/2。但这种认定是基于以下假设所得出的结论，即分析的数据由白噪声组成，且白噪声的尺度均匀的分布在整个时间或时间频率尺度上。当数据不是纯的白噪声时，分解中一些时间尺度会丢失，这时就会造成分解的混乱，即模态混叠。聚合经验模态分解（ensemble empirical mode decomposition，EEMD）可有效的弥补EMD分解的不足，它把一个全体测试的均值定义为真实的IMF分量，每个分量都包含了信号和有限幅值的白噪声。