HHT在齿轮故障诊断问题中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法(EMD)和Hilbert变换两步组成。经验模态分解方法(EMD)把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。     

基于HHT的爆破振动信号时频能量分析

傅里叶变换、小波分析等方式在处理非线性非稳定信号时不能在时间和频率上同时达到较好分辨率,针对此问题,文章在经验模态分解(empirical mode decomposition,EMD)-小波阈值去噪、Hilbert变换的基础上,采用Hilbert-Huang变换(Hilbert-Huang transform,HHT)方法,从三维Hilbert谱、边际谱及瞬时能量谱3个方面对南方某铅锌矿的爆破振动信号进行了分析。结果表明:爆破振动信号的振动频率主要集中在0～200 Hz范围内,该区域能量占信号总能量的90%以上;爆炸发生时振动频率朝着低频发展,50 Hz以内的频率为主振频带;瞬时能量谱可以反映雷管爆炸的能量释放情况。文中运用瞬时能量谱精确识别了7个段位雷管的起爆时刻,发现HHT方法在处理非线性非稳定信号时,打破了Heisenberg测不准原理的限制,能从时域、频域及能量方面反映信号的变化特征,自适应性、完备性及重构性较强,精确度较高。     

基于HHT的转子振动故障诊断研究

转子振动的故障特征难以提取,而HHT(Hilbert-Huang transform,简称HHT)方法是通过经验模态分解将信号分解成若干个IMF(intrinsic mode function,简称IMF),能够清楚地获得信号的时频分布情况,从而准确地反映系统的固有属性.本文首先揭示了转子系统故障诊断的一般流程,阐述了HHT的原理.其次提出了将HHT应用于转子振动故障特征提取的方法.最后利用Matlab建立了数学模型,进行了数值仿真,验证了希尔伯特-黄变换算法的有效性.     

基于HHT的结构损伤特征量与异常诊断

Hilbert-Huang Transform(HHT)是一种新的适用于非线性、非平稳信号且具有自适应性的数据处理方法.提出了一种基于HHT的结构损伤识别方法,该方法利用结构动态响应信号的HHT边际谱构造出损伤特征量--模态成分向量,进而定义结构异常指数.通过比较结构同一位置不同状态下模态成分向量的匹配度来识别结构特性变化,实现损伤辨识.数值模拟分析表明,该方法具有有效性和实用性.     

自适应Chirplet快速变换在轴承故障诊断中的应用

在故障诊断中,针对当前各种时频分析方法存在的问题,作者提出一种基于自适应Chirplet变换的故障诊断方法.该方法在参数粗搜索的基础上,将多维参数的最优化过程转化为传统的曲线拟合问题,不仅解决了交叉干扰项和时频分辨率之间的冲突,而且还具有计算量小、运算速度快和参数估计精度高等优点.实验结果表明,该算法能够有效地提取故障轴承振动信号的时频特征,其诊断效果明显优于其他时频分析方法,因此,是一种有效的故障诊断方法.     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。     

基于HHT算法的轴承保持架磨损故障特征提取

主要介绍了HHT算法的基本概念和基本特征,分析了滚动轴承的故障频率及滚动轴承保持架轻微受损的特征提取。     

希尔伯特-黄变换在轴承故障诊断中的应用研究

该文通过运用希尔伯特-黄变换（Hilbert—HuangTransform,简称HHT）对轴承的故障信号进行分析,用以诊断故障类型,并取得了较好的效果,为轴承故障诊断提供了一项可行方法。     

Wigner分布算法及其在轴承故障诊断中应用

本文根据非平稳带通信号的特点,改进了Classen的Wigner分布算法,克服由离散计算引起的混叠问题.应用三维、二维Wigner分布图对轴承故障进行特征分析,并且研究结果在实例分析中显示出一些优越性.     

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

基于改进希尔伯特-黄的泵阀故障诊断新方法

将改进的希尔伯特黄应用到泵阀的故障检测,通过对现场采集数据的分析,提出了一种新的识别故障泵阀的简易诊断方式。首先对6个泵阀信号都作EMD分解,用IMF分量数鉴别故障泵阀,故障泵阀含有IMF数量最多,然后再做出每个泵阀信号希尔伯特能量谱,通过故障泵阀具有高能量来进一步证实。结果表明了该方法能够准确有效的判断出故障泵阀。因此相对于可靠性低并对工作人员身体有害的传统方法而言该方法具有可靠性高,对工作人员无害等优点。     

希尔伯特黄变换在齿轮故障诊断中的应用

希尔伯特黄变换是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得时频谱的信号处理新方法。介绍了希尔伯特黄变换算法的原理及流程，利用由希尔伯特谱反映出的丰富的物理信息来对齿轮进行故障诊断。结果表明，希尔伯特谱较好地实现了齿轮故障的诊断，希尔伯特黄变换为齿轮故障提供了有力的工具。     

Analysis of the characteristics of gastrointestinal motility based on Hilbert-Huang transform method

Pressure activity data as an important index of gastrointestinal (GI) motility can be obtained from the wireless radiotelemetry capsule. The Hilbert-Huang transform (HHT) method, which is more effective to process non-stationary signal, is proposed to identify the characteristics of GI motility. We decompose the pressure activity data into intrinsic mode functions (IMFs),calculate the Hilbert marginal spectrum and attain the peristalsis characteristics of GI tract. The IMFs represent the peristalses modes of GI tract activity embedded in the pressure data. The time-varying characteristic of the method suggests that the HHT is suitable to accommodate other non-stationary biomedical data analysis.     

基于时间多重同步挤压W变换的高精度轴承故障诊断

状态监测(condition monitoring, CM)信号中的脉冲特征通常意味着旋转机器中存在缺陷。为了准确捕获CM信号中的脉冲分量,提出了一种高精度的时间多重同步挤压W变换(TMSSWT)用于提高CM信号的时频聚焦性能。首先利用W变换(WT)获取信号的时频表征结果,然后在时频域上构建估计信号真实群延迟(group delay, GD)的时频后处理表征算子——挤压算子,从而对原始W变换得到的时频谱能量进行“挤压”操作;其次,利用不动点的迭代算法将时频能量重新排列至信号真实的GD脊线上;最后利用信号重构的脉冲特征提取算法,计算时频包络,对TMSSWT获得的时频谱提取最强振幅对应频率的脉冲特性,通过对比脉冲特性的时间间隔识别轴承故障。模拟信号结果很好地证实了该方法可以有效地提高时频能量聚焦性,以期在实际故障诊断应用中可以准确地捕获脉冲特征,更好地识别与诊断轴承机械故障。     

一种基于改进Hilbert-Huang变换的非平稳信号时频分析法及其应用

对于非平稳信号时频分析,提出了一种基于改进Hilbert-Huang变换(HHT)的分析方法.根据HHT的已有原理,改进了经验模式分解(EMD)过程中的筛选停止准则,提高了分解精度;给出了Hilbert谱分析的完整过程;以线性调频连续波(FMCW)信号模型作为研究对象,结合改进的EMD分解和完整的Hilbert谱分析,通过分析时频分布特征实现高噪声背景下雷达目标信号的检测以及干扰信号的提取.仿真结果表明了改进后的HHT方法对于低信噪比非平稳信号分析的有效性.     

虚拟式Hilbert-Huang变换信号分析仪的研制

介绍了Norden.E.Huang等人提出的Hilbert-Huang变换(HHT)信号分析方法的主要内容、经验模态分解的过程和希尔伯特谱、边际谱的概念等;以虚拟仪器的开发特点及应用为基础,利用软件和硬件相结合的方法,从硬件部分、软件部分、仪器面板3个方面介绍了虚拟式Hilbert-Huang变换信号分析仪的设计,并成功开发了虚拟式Hilbert-Huang变换信号分析仪,为工程信号测试与分析提供了一种全新的方法.     

炸药性能对地震波品质影响的Hilbert-Huang变换分析

为检测爆炸地震波的品质(能量,主频),探寻激发高能量、高频率地震波的炸药震源,选用梯恩梯(TNT)、梯铝(TL)、8701,黑火药(BP)进行浅埋土中爆炸试验. 并利用Hilbert-Huang变换(HHT)对距离震源10～65 m处地面振动速度信号进行分析,结果表明:高能量高爆速炸药8701震源激发的地震波能量大,但频带较窄,主频较低,高频率段能量随传播距离衰减较快;低能量低爆速炸药BP激发的地震波频带较宽,主频也较高,但地震波能量过低;含铝炸药TL激发的地震波能量大,且随传播距离衰减速度较慢,主频介于黑火药BP与炸药8701之间.      

Hilbert-Huang变换在线性正则域的新推广

Hilbert-Huang变换是一种重要的非平稳信号分析工具,其对信号的处理包含两个方面:(i)经验模态分解;(ii)Hilbert谱分析.2012年,Li,Tao和Wang利用线性正域上的Hilbert变换将该变换推广到线性正则域,从而获得了一种更为灵活的信号分析工具.本文提出了Hilbert-Huang变换在线性正则域的一种新推广.这种新推广先利用经验模态分解将信号转换成固有模态函数,再引入另一种线性正则域的Hilbert变换对固有模态函数进行Hilbert谱分析,从而得到Hilbert-Huang变换在线性正则域的一种新推广.