基于改进Hilbert-Huang变换的机械故障诊断

Hilbert-Huang变换(Hilbert-Huang transform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断。然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF)。此外,通常只有部分IMF包含故障敏感信息、表征故障特征。因此基于EMD和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高。为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT。该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障。通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性。