[发明专利]一种基于改进HHT的滚动轴承故障诊断方法

说明书

本发明公开了一种基于改进HHT的滚动轴承故障诊断方法，通过软筛分停止准则自适应地确定EMD和NHT的筛分迭代次数并进行筛分，得到瞬时幅值AM_i[n]和瞬时频率f_i[n]，再利用AM_i[n]和f_i[n]构建时频谱，并通过时频谱生成快速谱峭度图，选择峭度值最高的频带进行平方包络解调，找出故障特征频率点观测其幅值变化，从而确定故障。

技术领域

本发明属于滚动轴承故障诊断技术领域，更为具体地讲，涉及一种基于改进型HHT的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中应用最广泛的一种部件，而且作为旋转机械关键部件之一，其工作状态的好坏会影响整个设备的运行状态。滚动轴承一旦发生故障，必将导致旋转机械结构失效，从而带来经济损失，严重时还会引发安全事故。因此，对滚动轴承进行故障诊断具有重要的工程意义。

当滚动轴承发生故障时，其振动信号为多分量的调幅-调频信号，在进行解调之前，需要将其分解为若干个单分量的调幅-调频信号。利用HHT变换对故障信号的分析，一般先采用经验模态分解(EMD)对故障振动信号进行模态分解，然后对分解所得的固有模态函数(IMF)进行希尔伯特变换(HT)得到时频谱图。但是，HT解调存在负频率问题，因此，采用归一化希尔伯特变换(NHT) 解调IMF信号。然而，EMD和NHT的筛分停止准则几乎都采用硬筛分停止准则，即需要有先验知识的经验丰富的专家预先设定阈值。这种硬筛分方法对于实际的振动信号不具有自适应性，不利于抑制EMD的模态混叠问题，也不能确保NHT是否解调完全。因此，本发明提供一种自适应地确定筛分次数的软筛分停止准则，首先用均方根(RMS))和超峭度(EK)两个特征确定目标函数，然后提出一种启发式机制，自适应地确定最佳的筛分迭代次数。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进型HHT的滚动轴承故障诊断方法，先通过软筛分停止准则进行筛分，然后提取谱峭度，选择峭度值最高的频带进行平方包络解调，找出故障特征频率点观测其幅值变化，从而确定故障。

为实现上述发明目的，本发明为一种基于改进型HHT的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

(1)、采集滚动轴承振动信号

使用振动数据采集仪以采样频率F_s采集待检测滚动轴承在运行状态下垂直方向的振动信号，记为x[n]，n＝1,2,…,N_s，N_s为总采样点数；

(2)对采集的振动信号x[n]进行改进型EMD

(2.1)、令每个IMF的初始信号为r_i[n]，每次筛分过程的初始信号为h_ik[n]， i表示第i个IMF，k表示第k次筛分；设置每个IMF的最大筛分次数为I_max；初始化i＝1，r_i[n]＝x[n]；

(2.2)、令k＝0，h_ik[n]＝r_i[n]；

(2.3)、令k＝k+1，确定h_ik-1[n]中所有极值点，然后分别采用三次样条曲线连接所有极大值点和极小值点，从而依次形成上包络线Emax_ik[n]和下包络线 Emin_ik[n]；

(2.4)、计算h_i(k-1)[n]的包络均值信号m_ik[n]；

(2.5)、计算估计的零均值信号h_ik[n]；

h_ik[n]＝h_i(k-1)[n]-m_ik[n]