基于HHT算法的機械故障分析系統

吳 睿，萬 舟，熊 新，湯占軍

(昆明理工大學信息工程與自動化學院，云南 昆明 650500)

0 引 言

系統故障診斷主要是對系統運行狀態和異常情況作出判斷，并根據診斷結果尋求排除系統故障的依據，故障診斷技術的四個核心步驟是：信號采集、特征提取、模式識別和智能診斷，其中最難的步驟是采集故障信號和提取特征量.

機械設備在運行中的振動信號是反映其整體與變化規律的主要信號.因此，最時新的診斷方法是利用振動信號進行診斷.

在傳統的信號處理中傅立葉變換是最常用的方法.雖然基于傅立葉變換的信號廣泛應用于表述及分析離散時域信號領域，但是傅立葉變換只能從整體信號的時域表示得到其頻譜，也就意味著只能完全在時域或完全在頻域對信號的闡述，因此不能全面的描述信號同時在頻域和時域中的變化，對信號的判斷有一定的缺陷[1].而且傅立葉變換只能描述線性平穩信號的變換，而當旋轉機械發生故障時的振動信號大多為非線性非平穩信號，其表示量(如功率譜等)也是時變函數.對于這種情況，只了解信號在時域或頻域的瞬時特性是不夠的，還需要得到信號頻譜隨時間變化的情況.為此，時頻分析法就有了用武之地.

時頻分析法可以在同一時間內提供振動信號的時域和頻域的聯合特征，主要反應出信號的局部特征，同時進行多尺度邊緣檢測，因此可對旋轉機械的非平穩非線性故障例如動不平衡、不對中、動靜碰摩等傅立葉變換難以有效分析的非平穩振動進行分析[2].時頻分析法已廣泛應用于旋轉機械的故障診斷中.

時頻分析即時頻聯合域分析的簡稱，其基本思想是設計時間和頻率的聯合函數，用它可以同時描述信號在時間和頻率的能量密度或強度分布.由于這種分析方法提供了時間域與頻率域的聯合分布信息，所以我們可以清楚地了解信號頻率隨時間變化的關系.

希爾伯特-黃變換(Hilbert-Huang Transform，以下簡稱：HHT)是由美籍華人黃鄂等人于1998年提出，作為一種新型的經驗模態分解時頻分析法,其引入Hilbert譜的概念和Hilbert譜分析，這種對信號的處理方法可同時對信號的時域和頻域進行分析，并且信號處理過程具有自適應性，非常適合處理非線性非平穩信號.因此，HHT變換在目前已知的機械故障診斷與非平穩信號處理上有很大的優越性.

本文主要研究基于LabVIEW平臺的一套機械故障診斷系統，選用了HHT算法對故障信號進行分解和分析.

1 新型時頻分析方法-HHT算法

HHT算法首先通過經驗模態分解方法(Empirical Mode Decomposition，以下簡稱：EMD)對非平穩信號進行有效分解并得到一系列固有模態函數(Intrinsic Mode Function，以下簡稱：IMF)，然后每一個固有模態函數再通過Hilbert變換得到其瞬時頻率和瞬時幅值，從而可得到Hilbert邊際譜，具體流程圖如圖1所示.這樣就有了對數據進行時頻分析的依據， 并且從波形圖中清晰地看出時間與頻率的互相關系，從而合理的定義了瞬時頻率及其物理意義，初步建立了以瞬時頻率為基函數的新時頻分析法系統[3].其中，EMD是最重要、最具創新性的部分.

圖1 HHT算法流程圖Fig.1 HHT flow chart

2 HHT算法的實現

EMD方法在Matlab平臺實現較多，也有使用LabVIEW與Matlab結合實現的[4].本文針對LabVIEW工具箱中缺少EMD算法的問題，對LabVIEW進行二次開發，實現EMD的算法及HHT分析方法.

使用LabVIEW2010版，實現EMD程序(見圖2)和HT(Hilbert Tromsform,以下簡稱：HT)程序(見圖3).當信號進入程序時，首先進行三次樣本擬合構造包絡線，求出上下包絡線；然后按IMF的取值條件之一——上下包絡線的均值為零，對所求的信號的包絡線進行判斷，之后再進行EMD程序，其目的是消除載波與平緩不在要求內的幅值，本程序通過限定方差的大小在0.2～0.3之間來對所出信號進行篩選，其中，需要對剩余分量進行判斷，判斷標準為剩余分量已是單調函數，不可能再從中提取IMF分量，這樣所得到的IMF分量再進入希爾伯特變換程序中，本程序使用到快速Hilbert變換作為分析主體程序，最終得到Hilbert變換波形圖與Hilbert變換邊際譜.

圖2 EMD程序 Fig.2 EMD procedure

圖3 HT程序Fig.3 HT procedure

利用仿真信號5sin(4π40t)+3sin(2π30t)+2sin(3π4t)對程序進行檢驗.采樣數為1 000，采樣頻率為1 000 Hz，仿真信號波形圖見圖4.用HHT算法對仿真信號進行分析、分解得到3個IMF分量波形圖(見圖5).由圖可見，IMF分量1是從仿真信號中分解出來的高頻模態分量，對應了仿真信號公式中的第一個正弦函數部分；IMF分量2則是次高頻模態分量，對應仿真信號中的第二個正弦函數部分；IMF分量3為分解后得到的次模態分量，其頻率較低，幅度也很小，為仿真信號中第三個正弦函數部分.IMF分量4即為剩余分量，其值接近于0.由此可知，仿真信號得到了詳細的分解，程序具有可靠的信號分解和時頻處理能力.

圖4 仿真信號波形圖Fig.4 Simulation signal waveform

圖5 仿真信號IMF分量波形圖Fig.5 IMF components waveform of simulation signal

3 實驗驗證

采用能夠模擬旋轉機械故障的Bently模擬轉子試驗臺，仿真轉子的故障信號[5].信號采集卡采用NI公司生產的PCI-6251，此采集卡為16位，具有1 MS/s (多通道)和1.25 MS/s (單通道)兩種通道形式，同時包括16路模擬輸入、2路16位模擬輸出(2.8 MS/s)、24條數字I/O線、32位計數器以及70多個信號調理選項關聯DIO(8條時鐘線, 10 MHz)[6]；其中所使用的模擬和數字觸發NI-MCal校準技術和采用高精度M系列采集卡提高了測量精度、分辨率和敏感度.

壓電傳感器輸出的原始信號經處理后的電壓信號波形圖見圖6，各個IMF分量的波形圖見圖7，第一階IMF分量和第二階IMF分量對應的邊際譜圖見圖8.

由圖6、圖7、圖8可看出，HHT算法將動平衡故障所產生信號的固有模態分量分解出來.第一階、第二階IMF分量幅度較大，信號很雜，尤其第一階IMF分量具有很明顯的調幅特征，從第一階IMF分量上更容易看出放大了的故障特征，證明高頻成分的存在是由轉子動不平衡造成.第三階IMF分量為基頻分量，第四階IMF為剩余分量，幅值接近于0.在邊際譜中看出，其幅值主要出現在頻率的0～250 Hz與1750～2000 Hz之間.因此，圖7、圖8反映出來的故障特征符合轉子動平衡的描述.

圖6 原始電壓信號波形圖 Fig.6 Original signal waveform

圖7 各個IMF分量波形圖 Fig.7 IMF components waveform

圖8 HHT邊際譜圖Fig.8 HHT marginal spectrum

4 結 語

在LabVIEW平臺下開發了“轉子動平衡故障診斷系統”.通過在Bently轉子實驗臺對轉子動平衡進行分析試驗,驗證該系統是成功的、可靠的.在LabVIEW平臺使用HHT算法能準確穩定的讀取數據，并且可以通過對Hilbert譜的觀察看出是否出現機械故障問題，若能把實時監測與數據儲存方面結合到本系統中，其實際應用性將得到更大的提高.

參考文獻：

[1] 譚宇碩.基于改進HHT方法的旋轉機械故障診斷的研究[D].保定：華北電力大學,2007．

[2] 周月琴.機械設備狀態檢測系統設計及其信號處理算法研究[D].南京：南京信息工程大學,2008．

[3] 李博.基于LabVIEW的HHT方法實現及在軸承故障診斷中的應用研究[D].太原：太原理工大學,2008．

[4] 王珍，郭方，江親瑜.EMD的LabVIEW實現及其在滾動軸承故障診斷中的應用[J].噪聲與振動控制,2009(4):54-57.

[5] 遲萬超，張方.基于LABVIEW的HHT法疲勞損傷時頻分析[J].研究與開發,2011,30(7):34-38.

[6] 萬書亭.基于機電綜合特征的發電機轉子故障診斷系統的研究[J].華北電力大學學報， 2007，34(6)：28-36.