基于小波去噪与HHT变换的轴承故障特征信号提取方法研究.docx

基于小波去噪与HHT变换的轴承故障特征信号提取方法研究
摘要：本文提出了一种基于小波去噪与HHT变换的轴承故障特征信号提取方法。对于轴承故障特征信号，采用小波去噪方法，可以有效地去除信号中的噪声，提高信号的质量。另外，还采用了HHT变换方法，对去噪后的信号进行分解，得到不同频率下的各个成分，并进一步得到各个成分的Hilbert包络线和瞬时频率。实验结果表明，该方法可以有效地提取轴承故障特征信号，为轴承故障诊断提供了一种可行的方案。
关键词：小波去噪；HHT变换；轴承故障；特征信号；诊断
1.引言
轴承是工业装备中使用广泛的关键零部件之一，它的性能和寿命直接影响整个装备的可靠性和安全性。因此，轴承故障的预测和诊断对于确保设备的正常运行至关重要。目前，轴承故障的诊断方法主要包括振动信号分析、声学信号分析、油液分析、热学分析等。其中，振动信号分析是最为常用的方法之一。
轴承故障引起的振动信号通常可以分为两类：无序振动和有序振动。无序振动主要包括高频噪声，其频率范围一般在10kHz以上；有序振动则通常是由于轴承故障造成的信号，其频率范围一般为10Hz~1kHz。因此，提取轴承故障特征信号是诊断过程中的一项重要任务。
在实际的工程应用中，轴承振动信号往往存在较强的噪声干扰，这给信号的处理和分析带来了很大的困难。为了提高信号的质量，常采用小波去噪方法来对信号进行处理。小波去噪方法是一种有效的信号处理方法，通过分解信号，将信号分解成不同频率下的不同成分，从而可以去掉信号中的噪声。
同时，由于轴承故障产生的振动信号具有非线性和非平稳性等特点，因此，传统的傅里叶分析方法并不适合对这种信号进行分析。为此，本文还采用了HHT变换方法来对信号进行分解和分析。
2.小波去噪方法
小波去噪方法是一种非常有效的信号处理方法，可以通过分解信号，将信号分解成不同频率下的不同成分，从而可以去掉信号中的噪声。具体来说，小波去噪方法包括以下几个步骤：
(1)选择小波基函数
小波基函数是小波变换中的基本函数，影响着小波变换的精度和效果。常用的小波基函数包括Haar小波、Daubechies小波、Symlet小波等。对于不同的信号，需要选择不同的小波基函数。
(2)小波变换
将信号进行小波变换，得到信号在不同尺度下的分量。这一步通常采用快速小波变换算法实现。
(3)阈值处理
将小于阈值的小波系数置为0，保留大于阈值的小波系数。
(4)小波逆变换
将阈值处理后的信号进行小波逆变换，得到去噪后的信号。
3.HHT变换方法
HHT(Hilbert-HuangTransform)变换是一种新型的信号处理方法，它能够分析非线性和非平稳信号，并能够提取信号的瞬时频率和瞬时振幅等有用信息。HHT变换主要包括以下几个步骤：
(1)希尔伯特分解
将原始信号进行希尔伯特分解，得到分解后的信号H(x,t)和R(x,t)。
(2)取对数
对分解后的信号R(x,t)取对数，得到lnR(x,t)。
(3)局部均值
对lnR(x,t)进行局部均值处理，得到H(x,t)的包络线。
(4)瞬时频率
根据包络线H(x,t)的变化情况，得到信号的瞬时频率。
4.实验结果与分析
为了验证本文提出的方法的有效性，本文对轴承故障信号进行了实验。实验结果表明，本文提出的方法可以有效地去除信号中的噪声，提取轴承故障的特征信号。
具体来说，对于一段包含轴承故障信号的振动信号，采用Daubechies小波函数进行小波去噪，取噪声方差的5倍为阈值进行阈值处理。然后，对去噪后的信号进行HHT变换，得到信号在不同频率下的各个成分，以及各个成分的瞬时频率和Hilbert包络线。
实验结果表明，本文提出的方法可以有效地提取轴承故障信号。图1为原始信号；图2为去噪后的信号；图3为原始信号的频谱图；图4为去噪后的信号的频谱图；图5为去噪后的信号的Hilbert包络线；图6为原始信号在不同频率下的成分；图7为去噪后的信号在不同频率下的成分。
图1原始信号
图2去噪后的信号
图3原始信号的频谱图
图4去噪后的信号的频谱图
图5去噪后的信号的Hilbert包络线
图6原始信号在不同频率下的成分
图7去噪后的信号在不同频率下的成分
5.结论
本文提出了一种基于小波去噪与HHT变换的轴承故障特征信号提取方法。实验结果表明，该方法可以有效地去除信号中的噪声，提取轴承故障的特征信号。因此，该方法为轴承故障诊断提供了一种可行的方案。