由于Hilbert-Huang变换中的EMD(empirical mode decomposition EMD)在低频段产生多余的IMF(intrinsic mode functions IMF)这一缺陷,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的能量与原始信号的能量比作为判断标准来剔出分解中产生的多余IMF,并且选择能量比最大的IMF进行边际谱的计算,再选取幅值最大处的频率与轴的旋转频率之比作为表征滚动轴承状
维普资讯 doc.guandang.net
振第2 6卷第 4期
动
与
冲
击
J OURNAL OFVI BRATI ON AND HOC S K
基于改进的 H let Hu n i r— a g变换的滚动轴承故障诊断 b 李常有徐敏强郭,, 摘
耸 10 0 ) 5 0 1
( .哈尔滨工业大学,哈尔滨 10 0;.哈尔滨工程大学,哈尔滨 1 5 0 12
要由于 Hl r—H ag ie b t un变换中的 E D(m icl oedcm oi nE D在低频段产生多余的 I F ir s M e pi d eo psi M ) ram t o M (n ni t c i
m d nt n MF这一缺陷, oef ci sI ) u o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 I MF的能量与原始信
号的能量比作为判断标准来剔出分解中产生的多余 I, MF并且选择能量比最大的 I MF进行边际谱的计算,再选取幅值最 大处的频率与轴的旋转频率之比作为表征滚动轴承状态的特征向量,然后采用线性神经网络进行状态识别。实验结果表明,该方法是一种非常有效的滚动轴承故障诊断方法。 关键词:故障诊断,滚动轴承,改进的 H le—H a g i r un变换, bt神经网络 中图分类号:T 6 H15+. 3文献标识码:A
在以滚动轴承振动信号为状态参量的轴承运行状态监测与故障诊断中,方面因设备运行时转速不稳一
次,如果原始信号的频率成分丰富,第一次分解得到的
定、负荷变化以及因各种部件产生大量的冲击、摩擦等导致非平稳振动信号的产生,使得基于平稳过程的传统信号处理方法难以发挥作用;另一方面,当轴承发生故障时,由于设备各零部件的结构和位置不同,行速运度各异,致使产生的振动信号包含了不同零部件的各种特征频率且分布在不同的频带范围内。特别是当轴承出现了某一部位的早期缺陷时,这种缺陷振动信号很微弱,其特征频率信号往往被其它零部件产生的运行振动和随机噪声信号所淹没,轴承故障分析工作给带来极大的困难。 滚动轴承故障诊断包括两个环节:是特征向量一的提取,二是状态的识别。特征向量提取的过程就是信号处理的过程。由于 Fu e变换不能反映信号的细 orr i节,在非平稳信号处理方面已经
逐渐被小波变换所取代。但小波变换也具有自身不可避免的缺陷:干扰项的存在、缘失真以及能量的泄漏。由于小波变换的边这些缺陷, . .H ag 19年提出了一种全新的 N E un在 9 8 用于分析非平稳非线性信号的方法~Hl r H ag i e— un变 bt换( H ) H T。Hiet un l rH ag变换衍生于经验模态分解 b— E MD和 Hl r变换¨。状态识别在一些文章中没有 iet b 叙述,它们直接根据特征向量进行判断轴承的状态,这对专业人员来说是可行的,对非专业的来说,是相但这当困难的。目前,在状态识别中,已经采用过灰色关联 度、P神经网络、 B支持向量机等方法。 虽然 H T已成为一种分析非线性非平稳信号的 H 理想工具,但和其他分析方法 (如傅里叶变换 )一样,也
I F可能包含较宽的频带, M从而很难得到单一分量信号。第三, M E D不能分解包含低能量成分的信号。 当选择了灵敏度较高的参数作为特征向量时,动轴滚承的状态空间是一个确定的、线性可分的以及多余两个类型的空间,以可以选择已经发展很成熟的线性所神经网络进行状态识别。 本文方法可以叙述为:对 H T的第二、个缺针 H三陷,在应用 H T之前, H对原始信号进行小波包的预处理,使其变成一组窄带频率信号之和,再进行 H T处 H理;用每个 I采 MF的能量与原始信号的能量比去处理经过 E D分解得到的 I F组, M M根据比值的大小,出剔 冗余的成分,最终解决第一个缺陷;择能量比最大的选 I MF进行瞬时频率的计算,到 Hiet际谱,以峰得 l r边 b再值处的频率为特征向量,作为线性神经网络的输人参数,滚动轴承的状态进行识别 j对。
1改进的 Hi et a g变换 l r- n b Hu H T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E MD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 H
T的缺陷,中给出一种改进 H文的 H l r H ag变换方法,方法是在 H let u n i et u n b—该 i r H ag b— 变换基础上增加了预处理和后处理的过程。 1 1信号预处理 .
存在自身的缺陷。首先,采用 E D分解信号, M在低频段将出现附加的 I MF导致对处理结果产生误解。其 收稿日期:2 0 0 06— 6—0修改稿收到日期:0 6一O 8 20 7一O 7第一作者李常有男,博士生,9 0年生 18
实际测量的信号都包含比较丰富的频率成分,故采用H T H处理信号,将会遇到:M E D第一次分解得到的 IF M包含较宽的频带,即不是单一分量信号的麻烦,未能达到 E D的应用目的; M分解后丢失了低能量成分。为了解决这一问题,考虑把原始信号分解成众多窄带信号之

一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法 提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分...
一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法_物理_自然科学_专业资料。维普资讯 http://www.cqvip.com 200 4年1 0月 系 统工 程理论 与 实践 ...
江苏大学 硕士学位论文 基于Hilbert-Huang变换和BP神经网络的滚动轴承故障诊断研究 姓名:周将坤 申请学位级别:硕士 专业:车辆工程 指导教师:陆森林 20100608 江苏大学...
改进的经验模态分解方法在滚动轴承故障诊断中的应用_专业资料。本文将Hilbert-Huang变换(HHT)应用到滚动轴承故障诊断中,利用经验模态分解自适应地将滚动轴承故障信号分...
基于EMD和Hilbert-Huang的滚动轴承故障诊断_专业资料。采用EMD和Hilbert~Huang相结合的方式开发了故障诊断程序,并在试验台上针对滚动轴承故障工况进行了模拟试验,采集振...
基于改进的Hilbert-Huan... 2人阅读 4页 2.00 基于EMD和Hilbert-Huang....(0 0—070 1 基~HletHagirun 变换和盲源分 离的 b—滚 动轴承耦 合故障...
每个固有模态函数进行Hilbert变换得到Hilbert谱,通过谱分析识别轴承的故障部位和类型,证实Hilbert谱的有效性.在实际的故障诊断中应用Hilbert-Huang变换,更好地得到故障...
基于改进Hilbert-Huang变换的机械故障诊断_专业资料。Hilbert-Huang变换(Hilbert-Huang transform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能...
基于信号预处理和Hilbert变换的滚动轴承故障诊断_专业资料。针对滚动轴承振动信号复杂...基于EEMD和Hilbert分析的... 0人阅读 4页 3.00 基于Hilbert-Huang变换和...
基于Hilbert-Huang变换和... 93页 免费 一种基于Hilbert-Huang变... 7页 免费...基于支持 向地机和镜像延拓的 Hlr—Hagietun 变换及其在滚动轴承故障诊断中的应...
热门文档