摘 要： 采用一種處理非平穩(wěn)信號(hào)的新方法—希爾伯特-黃變換HHT（Hilbert-Huang Transform）來進(jìn)行滾動(dòng)軸承故障特征的提取,。將信號(hào)先進(jìn)行小波包降噪處理，然后用HHT進(jìn)行信號(hào)故障特征提取,。通過實(shí)驗(yàn)仿真和軸承故障診斷實(shí)例,，對(duì)比沒有進(jìn)行小波包降噪而直接進(jìn)行HHT的結(jié)果，證明了此方法在軸承故障診斷中的有效性,。
關(guān)鍵詞： 小波包降噪,；Hilbert-Huang變換；EMD,；IMF,；滾動(dòng)軸承
滾動(dòng)軸承是機(jī)械設(shè)備最為關(guān)鍵部件之一，其損傷將直接影響設(shè)備穩(wěn)定運(yùn)行,，因此軸承故障的分析與診斷一直是機(jī)械故障診斷技術(shù)中的重要內(nèi)容,。由于軸承信號(hào)一般表現(xiàn)為非平穩(wěn)、非線性，且易受隨機(jī)噪聲干擾,，難以有效提取故障特征,。Hilbert-Huang變換[1]是一種新的信號(hào)分析方法，被認(rèn)為是近年來對(duì)以傅里葉變換為基礎(chǔ)的線性和穩(wěn)態(tài)譜分析的重大突破,，具有很高的應(yīng)用價(jià)值,。
1 小波包降噪
小波包變換是在小波變換的基礎(chǔ)上發(fā)展起來的，具有比小波變換更高的分辨率,。小波包分析最基本的應(yīng)用是信號(hào)的消噪,，小波包降噪[2]的步驟為：
（1）信號(hào)小波包分解,。選擇一個(gè)小波,，確定其所需要分解的層次N。
?。?）計(jì)算最優(yōu)樹（即確定最優(yōu)小波包基）,。計(jì)算一個(gè)給定熵的標(biāo)準(zhǔn)最優(yōu)樹。
?。?）小波包分解系數(shù)的閾值量化,。選擇一個(gè)恰當(dāng)?shù)拈撝担?duì)小波包分解系數(shù)進(jìn)行閾值量化,。
?。?）信號(hào)的小波包重構(gòu)。
2 Hilbert-Huang變換
Hilbert-Huang變換是HUANG N E提出的一種信號(hào)處理方法,，是由EMD和Hilbert分析組成[1],。
2.1 EMD
EMD方法通過對(duì)非平穩(wěn)信號(hào)中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解，來獲得一系列表征信號(hào)特征時(shí)間尺度的固有模態(tài)函數(shù)IMF（Intrinsic Mode Functions）,。IMF滿足兩個(gè)條件[3]：一是在整個(gè)序列中,，極值點(diǎn)與過零點(diǎn)個(gè)數(shù)必須相當(dāng)或相差不到一個(gè)；二是任何一個(gè)時(shí)間點(diǎn)上,，信號(hào)局部極大值組成的上包絡(luò)線和下包絡(luò)線的均值為零,。經(jīng)驗(yàn)?zāi)B(tài)分解[4]步驟如下：
（1）把原始信號(hào)作為待處理信號(hào),，確定該信號(hào)所有局部極值點(diǎn),，通過插值將全部極大值點(diǎn)和極小值點(diǎn)連接起來得到信號(hào)的上、下包絡(luò)線,，取包絡(luò)線均值m（t）,，從待處理信號(hào)x（t）中減去均值，得：
h1（t）=x（t）-m（t）（1）
通常h1（t）一般不滿足IMF的定義,，需重復(fù)上述步驟k次,，直到h1k（t）是IMF,，記c1（t）=h1k（t）為信號(hào)第一個(gè)IMF,，也是最高頻率分量,。
對(duì)比兩圖，可看到小波包能夠除去信號(hào)中噪聲的影響,，而HHT具有良好的時(shí)頻分析能力,。
4 滾動(dòng)軸承故障診斷實(shí)例分析
在電動(dòng)機(jī)的滾動(dòng)軸承實(shí)驗(yàn)臺(tái)上測(cè)量振動(dòng)加速度信號(hào)。
在時(shí)域波形圖中,，正常軸承和內(nèi)圈,、滾動(dòng)體故障時(shí)域圖基本相同，而外圈故障表現(xiàn)為頻繁的沖擊成分,。在頻域波形圖中,，正常軸承頻率主要在低頻段，而故障頻率信息較為復(fù)雜,，如外圈故障頻率在整個(gè)頻率段內(nèi)都有分布等,，故無法根據(jù)時(shí)、頻域波形圖進(jìn)行故障分析,。
采用本文中EMD方法,，以軸承外圈故障為例，獲得EMD分解如圖5所示,。圖5（a）故障信號(hào)分解為12個(gè)模式,，c1~c11是IMF分量，分別為不同頻率分量段,，第12個(gè)是殘余分量,。圖5（b）經(jīng)小波包降噪后信號(hào)分解為10個(gè)模式，可見小波包能很好地去除頻率的虛假成分,，減少分解層次,，使IMF分量更為集中在不同頻段。
圖6所示為邊際譜圖,，圖6（a）的第一個(gè)故障頻率為107.3 Hz,，而圖6（b）為106.5 Hz，其余為其倍頻,，對(duì)比外圈故障的特征頻率理論值,，可知用小波降噪后的HHT方法，能夠較為準(zhǔn)確地反映外圈故障時(shí)的特征頻率,。
本文通過Hilbert-Huang變換的方法,，結(jié)合小波包的信號(hào)降噪處理能力，先對(duì)信號(hào)進(jìn)行降噪處理,，使信號(hào)得到更有效的分解模式,；然后再由HHT獲得其邊際譜,，來提取滾動(dòng)軸承的故障頻率。通過以上實(shí)驗(yàn)仿真及軸承故障實(shí)例分析,，證明了小波包降噪和HHT的方法在滾動(dòng)軸承的故障診斷中的可行性,。
參考文獻(xiàn)
[1] HUANG N E， SHEN Z,， LONGS R,， et al. The empirical mode decomposition and the hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proc. R. Soc. Lond，1998,，454： 903-995.
[2] 曾憲偉,，趙衛(wèi)明，許曉慶.基于小波變換與小波包變換的降噪方法比較[J].地震地磁觀測(cè)與研究,，2010,，31（4）：14-19.
[3] 張仕海，等.EMD中異常事件處理及其在轉(zhuǎn)子動(dòng)平衡中的應(yīng)用[J].振動(dòng)與沖擊,，2012,，31（7）：34-38.
[4] 徐美娟.基于EMD的Hilbert變換在齒輪檢測(cè)中的應(yīng)用[J].機(jī)電信息，2012（3）：107-108.