基于Hilbert-Huang变换的滚动轴承智能诊断方法研究

滚动轴承是旋转机械中最常用，也是最易损坏的零部件之一。旋转机械的许多故障都与滚动轴承有关，它的运行状态是否正常往往直接影响到整台机器的性能。因此研究滚动轴承的故障诊断技术具有很现实的意义。 本论文将时频分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform，简称HHT)和自适应模糊神经网络(Adaptive Network-based Fuzzy Inference System，简称ANFIS)相结合应用于滚动轴承故障诊断中，实现了对滚动轴承的智能诊断。主要研究内容包括：搭建实验装置、设计实验方案；通过大量实验获取滚动轴承振动信号，对所得信号进行有效的分析处理，提取信号特征，从而识别出相应的轴承状态；将神经网络与模糊逻辑相结合作为分类器，对滚动轴承的工作状态和故障类型进行分类。 HHT方法包括经验模态分解(Empirical Mode Decomposition，简称EMD)和Hilbert变换两部分。其中EMD是关键，它将信号分解成有限个固有模态函数(Intrinsic Mode Function，简称IMF)之和。然后对每一个IMF进行Hilbert变换，合并得到原信号的Hilbert谱，具有很高的时频分辨率。通过对仿真信号和实际滚动轴承振动信号进行HHT和其他时频率分析方法的比较研究，验证了该方法分析非平稳信号的有效性和优越性。 在实际的应用中，本文应用了一种改进的筛选停止准则提高了EMD分解速度和精度。并且，采用了基于包络解调技术的EMD方法，减少故障振动信号中的噪声干扰和高频固有振动对EMD分析造成的影响，得到准确的IMF分量，从而有效地提取特征信息。 智能诊断系统是在EMD与模糊神经网络结合的基础上建立起来的。文中选取ANFIS和BP网络分别作为滚动轴承故障模式的分类器，并采用基于EMD的特征参数和基于小波分解的特征参数分别作为故障特征，输入到分类器中加以比较。实验结果表明：基于EMD的特征参数能够正确有效地反映滚动轴承的各故障特征，当它与ANFIS模糊神经网络结合时，所建立起的网络能将轴承状态十分准确地识别出来，且具有较高的诊断准确率。