改进HHT方法在旋转机械故障诊断中的深度探索与应用

改进HHT方法在旋转机械故障诊断中的深度探索与应用一、引言1.1研究背景与意义在现代工业体系中，旋转机械作为关键设备，广泛应用于能源、化工、制造业、交通运输等众多领域，发挥着不可替代的重要作用。在能源领域，风力发电机的叶片旋转将风能转化为电能，燃气轮机则在发电和能源转换过程中扮演核心角色；化工行业里，离心泵用于物料输送，搅拌机实现物料的混合与反应；制造业中，电机驱动各类生产设备运转，发电机为生产线提供电力支持；交通运输领域，航空发动机为飞机提供飞行动力，铁路机车的电动机驱动车辆运行，船舶的螺旋桨通过旋转产生推力。这些旋转机械的稳定运行直接关系到各行业的生产效率、产品质量以及运营成本。然而，由于旋转机械长期处于复杂的工作环境中，承受着机械应力、热应力、腐蚀等多种因素的作用，不可避免地会出现各种故障。一旦发生故障，不仅会导致设备停机，影响生产的连续性，造成巨大的经济损失，还可能引发安全事故，威胁人员生命安全和环境安全。例如，在化工生产中，离心式压缩机故障可能导致物料泄漏，引发爆炸或中毒事故；在电力行业，汽轮发电机组故障会造成大面积停电，影响社会正常运转。因此，对旋转机械进行有效的故障诊断，及时发现潜在故障隐患，采取相应的维修措施，对于保障设备安全可靠运行、提高生产效率、降低维护成本具有至关重要的意义。传统的故障诊断方法在处理旋转机械故障时存在一定的局限性。对于变转速运行的旋转机械，其振动信号具有非平稳特性，传统的基于傅里叶变换的频谱分析方法难以准确提取故障特征。傅里叶变换建立在信号的平稳性假设上，分析的信号必须是严格周期性或平稳的，否则会丧失分析结果的物理意义，且分析结果只有频域信息，丧失了时域特征。而希尔伯特黄变换（Hilbert-HuangTransform，HHT）作为一种新的信号处理方法，能够有效处理非平稳信号，在旋转机械故障诊断领域展现出了巨大的潜力。HHT方法先把一列时间序列数据通过经验模态分解（EmpiricalModeDecomposition，EMD），将复杂的信号分解为若干个固有模态函数（IntrinsicModeFunction，IMF），这些IMF分量具有良好的时频特性，能够反映信号的局部特征。然后对每个IMF分量进行希尔伯特变换，获得信号的时频谱，从而实现对信号的时频分析。与传统的信号处理方法相比，HHT方法具有自适应性强、分辨率高、能够准确反映信号的时变特征等优点，在旋转机械故障诊断中得到了广泛的应用。然而，HHT方法在实际应用中也存在一些问题，如模态混叠和虚假固有模态函数等问题，这些问题会影响故障诊断的准确性和可靠性。模态混叠是指在EMD分解过程中，一个IMF分量中包含了不同尺度的信号成分，或者不同IMF分量中包含了相同尺度的信号成分，导致时频分析结果出现偏差。虚假固有模态函数是指在EMD分解过程中，产生了一些不具有物理意义的IMF分量，这些分量会干扰故障特征的提取和识别。因此，如何改进HHT方法，提高其在旋转机械故障诊断中的性能，成为了当前研究的热点和难点。本文希望通过改进HHT方法，提高故障信号的特征提取效果，并能针对不同类型故障提出更加针对性的分析和诊断方法，为旋转机械故障诊断提供更加可靠和有效的解决方案。通过对改进HHT方法的研究，可以进一步完善旋转机械故障诊断技术体系，推动故障诊断技术的发展。同时，提高旋转机械故障诊断的准确性和可靠性，能够有效减少设备故障带来的经济损失和安全风险，为工业生产的安全稳定运行提供有力保障，具有重要的理论意义和实际应用价值。1.2国内外研究现状希尔伯特黄变换（HHT）作为一种强大的信号处理技术，在旋转机械故障诊断领域受到了国内外学者的广泛关注，相关研究不断深入，取得了一系列有价值的成果。国外方面，早在20世纪90年代，NordenE.Huang等人首次提出了HHT方法，该方法一经提出，便在信号处理领域引起了极大的反响。随后，众多学者将其应用于旋转机械故障诊断中，并对其进行了多方面的研究。有学者通过将HHT应用于齿轮故障诊断，发现该方法能够有效提取故障特征频率，准确识别齿轮的早期故障。在轴承故障诊断方面，国外研究人员利用HHT分析轴承振动信号，成功区分了不同类型的轴承故障，如内圈故障、外圈故障和滚动体故障。还有学者在研究中对比了HHT与其他传统信号处理方法，进一步验证了HHT在处理非平稳信号时的优势，如在分析变转速旋转机械的振动信号时，HHT能够更准确地捕捉信号的时变特征，提高故障诊断的准确率。在国内，HHT方法在旋转机械故障诊断中的应用研究也取得了显著进展。许多高校和科研机构投入大量资源进行相关研究，从理论改进到实际应用都有涉及。一些学者针对HHT方法中存在的模态混叠问题进行了深入研究，提出了多种改进算法。例如，通过引入相关系数法对固有模态函数（IMF）进行筛选，有效减少了模态混叠现象，提高了故障诊断的精度。在实际应用中，国内学者将改进后的HHT方法应用于风力发电机、汽轮机等大型旋转机械的故障诊断中，取得了良好的效果。在风力发电机故障诊断研究中，研究人员利用改进HHT方法分析发电机的振动信号，成功检测出了齿轮箱故障和轴承故障，为风力发电机的安全运行提供了有力保障。尽管国内外在基于HHT方法的旋转机械故障诊断研究中取得了众多成果，但仍存在一些不足之处。在HHT方法本身的理论研究方面，虽然提出了多种改进算法来解决模态混叠等问题，但这些算法大多存在计算复杂度高、参数选择困难等问题，导致在实际应用中受到一定限制。不同改进算法的性能评价缺乏统一标准，使得在选择改进方法时存在一定的盲目性。在实际应用中，对于复杂工况下的旋转机械故障诊断，现有的基于HHT方法的诊断模型鲁棒性还不够强，难以适应多变的工作环境和故障类型。此外，将HHT方法与其他先进技术，如人工智能、大数据分析等的深度融合还处于探索阶段，未能充分发挥这些技术的优势，进一步提高故障诊断的智能化水平和准确性。1.3研究内容与方法1.3.1研究内容本研究旨在改进HHT方法并将其应用于旋转机械故障诊断，以提高故障诊断的准确性和可靠性，具体研究内容如下：HHT方法原理与问题分析：深入研究HHT方法的基本原理，包括经验模态分解（EMD）和希尔伯特变换的具体过程和理论基础。通过理论分析和仿真实验，详细剖析HHT方法在实际应用中存在的模态混叠和虚假固有模态函数等问题产生的原因和影响机制。例如，在分析复杂旋转机械振动信号时，由于信号中包含多种频率成分和不同尺度的波动，EMD分解过程容易出现模态混叠现象，导致固有模态函数（IMF）不能准确反映信号的真实特征，进而影响后续的故障诊断结果。改进HHT方法研究：针对HHT方法存在的问题，提出有效的改进算法。从多个角度出发，如改进EMD分解的筛选准则、引入新的信号预处理方法或优化希尔伯特变换过程等。可以考虑引入相关系数法来筛选IMF分量，通过计算IMF分量与原始信号之间的相关系数，去除相关性较低的虚假IMF分量，从而减少模态混叠现象。探索将改进后的HHT方法与其他先进的信号处理技术，如小波分析、短时傅里叶变换等相结合的可能性，充分发挥不同方法的优势，进一步提高故障信号的特征提取能力。旋转机械故障模拟与数据采集：搭建旋转机械故障模拟实验平台，模拟常见的旋转机械故障，如轴承故障、齿轮故障、转子不平衡等。在不同的故障工况下，采集大量的振动信号数据，并对数据进行详细的标注和分类，为后续的故障诊断研究提供可靠的实验数据支持。在模拟轴承故障时，设置不同程度的内圈故障、外圈故障和滚动体故障，采集相应的振动信号，记录故障发生的时间、故障类型和严重程度等信息。基于改进HHT方法的故障诊断应用：将改进后的HHT方法应用于旋转机械故障诊断中，利用改进后的方法对采集到的故障信号进行分析，提取故障特征。建立故障诊断模型，通过对故障特征的分析和识别，实现对旋转机械故障类型和故障程度的准确诊断。采用支持向量机（SVM）、人工神经网络（ANN）等模式识别方法，对提取的故障特征进行分类和识别，构建故障诊断模型，并通过实验验证模型的准确性和可靠性。诊断结果分析与验证：对基于改进HHT方法的故障诊断结果进行详细分析，评估改进后的方法在旋转机械故障诊断中的性能提升效果。与传统的HHT方法以及其他常用的故障诊断方法进行对比实验，从诊断准确率、误诊率、漏诊率等多个指标进行对比分析，验证改进方法的优越性和有效性。在对比实验中，分别使用传统HHT方法、改进HHT方法和小波分析方法对同一组故障信号进行诊断，比较三种方法的诊断结果，分析改进HHT方法在提高诊断准确率和降低误诊率、漏诊率方面的优势。1.3.2研究方法为了实现上述研究内容，本研究将采用以下多种研究方法：文献研究法：广泛查阅国内外关于HHT方法、旋转机械故障诊断以及相关信号处理技术的文献资料，了解该领域的研究现状、发展趋势和存在的问题，为本研究提供理论基础和研究思路。通过对大量文献的分析，总结前人在改进HHT方法和应用于故障诊断方面的研究成果和不足之处，从而确定本研究的改进方向和重点。理论分析法：深入研究HHT方法的理论基础，分析其在旋转机械故障诊断中的应用原理和存在的问题。运用数学推导和理论分析的方法，对改进算法进行理论论证和性能分析，确保改进方法的合理性和有效性。在提出改进算法后，通过数学模型和理论分析，证明改进算法能够有效解决HHT方法中的模态混叠和虚假IMF问题，提高故障诊断的准确性。实验研究法：搭建旋转机械故障模拟实验平台，进行故障模拟实验。通过实验采集振动信号数据，对改进后的HHT方法进行实验验证和性能评估。在实验过程中，严格控制实验条件，确保实验数据的可靠性和重复性。通过改变故障类型、故障程度和运行工况等因素，全面测试改进方法在不同情况下的诊断性能。仿真研究法：利用MATLAB等仿真软件，对旋转机械故障信号进行仿真模拟。通过仿真实验，快速验证不同算法和方法的有效性，为实验研究提供理论指导和技术支持。在仿真过程中，可以方便地调整信号参数和故障特征，模拟各种复杂的故障情况，对改进HHT方法进行全面的测试和优化。对比分析法：将改进后的HHT方法与传统的HHT方法以及其他常用的故障诊断方法进行对比分析，从诊断准确率、误诊率、漏诊率、计算效率等多个方面进行评估，突出改进方法的优势和特点。通过对比分析，明确改进方法在实际应用中的价值和意义，为其推广应用提供依据。二、HHT方法原理与局限性2.1HHT方法的基本原理2.1.1经验模态分解（EMD）经验模态分解（EMD）是HHT方法的核心部分，其主要目的是将复杂的非平稳信号分解为若干个固有模态函数（IMF）之和。IMF是满足以下两个条件的函数：在整个数据集中，极值点（极大值点和极小值点）的数量与过零点的数量相等或最多相差一个；在任意时刻，由信号的局部极大值点确定的上包络线和由局部极小值点确定的下包络线的平均值为零，即信号在时间轴上是对称的。EMD分解的具体过程如下：对于给定的信号x(t)，首先找出信号x(t)的所有局部极大值点和局部极小值点。采用三次样条插值法，将所有局部极大值点连接起来形成上包络线u(t)，将所有局部极小值点连接起来形成下包络线v(t)。接着计算上、下包络线的均值m(t)=\frac{u(t)+v(t)}{2}，然后从原始信号x(t)中减去均值包络线m(t)，得到一个新的信号h(t)=x(t)-m(t)。判断h(t)是否满足IMF的两个条件，如果满足，则h(t)就是一个IMF分量，记为c_1(t)；如果不满足，则将h(t)作为新的原始信号，重复上述步骤，直到得到满足条件的IMF分量。将得到的第一个IMF分量c_1(t)从原始信号x(t)中分离出来，得到残余信号r_1(t)=x(t)-c_1(t)。把残余信号r_1(t)当作新的原始信号，重复上述分解过程，依次得到第二个IMF分量c_2(t)、第三个IMF分量c_3(t)……直到残余信号r_n(t)成为一个单调函数或满足预设的停止条件（如残余信号的能量低于某个阈值，或振幅小于某个阈值），此时分解过程结束。最终，原始信号x(t)可以表示为x(t)=\sum_{i=1}^{n}c_i(t)+r_n(t)，其中c_i(t)为第i个IMF分量，r_n(t)为残余信号。以一个包含多种频率成分的振动信号为例，经过EMD分解后，可以得到多个IMF分量，每个IMF分量代表了信号中不同频率的振动模式。高频的IMF分量反映了信号中的快速变化部分，可能与设备的局部故障或高频噪声有关；低频的IMF分量则反映了信号中的缓慢变化部分，可能与设备的整体运行状态或低频趋势有关。通过对这些IMF分量的分析，可以更深入地了解信号的特征和内在信息，为后续的故障诊断提供有力支持。2.1.2希尔伯特变换（HT）在得到IMF分量后，需要对每个IMF分量进行希尔伯特变换，以获取信号的瞬时频率和瞬时振幅信息。对于一个实值函数c(t)（即IMF分量），其希尔伯特变换H[c(t)]定义为：H[c(t)]=\frac{1}{\pi}P.V.\int_{-\infty}^{+\infty}\frac{c(\tau)}{t-\tau}d\tau其中，P.V.表示柯西主值积分。通过希尔伯特变换，可以得到一个解析信号z(t)=c(t)+jH[c(t)]，其中j=\sqrt{-1}。解析信号z(t)可以表示为z(t)=a(t)e^{j\varphi(t)}的形式，其中a(t)=\sqrt{c^2(t)+[H(c(t))]^2}为瞬时振幅，它反映了信号在每个时刻的幅值大小；\varphi(t)=\arctan(\frac{H[c(t)]}{c(t)})为瞬时相位，对瞬时相位求导可得瞬时频率\omega(t)=\frac{d\varphi(t)}{dt}，瞬时频率表示信号在每个时刻的频率变化情况。在旋转机械故障诊断中，通过对IMF分量进行希尔伯特变换得到的瞬时频率和瞬时振幅信息非常重要。当旋转机械的轴承出现故障时，其振动信号的某些IMF分量的瞬时频率和瞬时振幅会发生特征性的变化。内圈故障可能会导致特定IMF分量的瞬时频率出现周期性的波动，且波动的频率与轴承内圈的故障特征频率相关；瞬时振幅也会相应地增大，反映出故障的严重程度。通过分析这些变化，可以准确地判断故障的类型和位置，为故障诊断提供关键依据。2.1.3希尔伯特谱希尔伯特谱是通过对IMF分量的瞬时频率和瞬时振幅进行综合分析得到的，它能够直观地展示信号在时间-频率域上的能量分布情况。具体来说，对于每个IMF分量c_i(t)，经过希尔伯特变换得到其瞬时频率\omega_i(t)和瞬时振幅a_i(t)后，将时间t、瞬时频率\omega_i(t)和瞬时振幅a_i(t)组合在一起，就可以构建出信号的希尔伯特谱H(\omega,t)。在希尔伯特谱中，横坐标表示时间t，纵坐标表示频率\omega，而谱图的颜色或灰度则表示信号在该时间-频率点上的幅值大小，即能量分布情况。希尔伯特谱能够清晰地展示信号在不同时间和频率上的能量分布特征。在正常运行状态下，旋转机械的振动信号的希尔伯特谱呈现出相对稳定的能量分布模式，各个频率成分的能量分布较为均匀。当出现故障时，希尔伯特谱会发生明显的变化，在与故障特征频率相关的区域会出现能量集中的现象。齿轮故障会导致希尔伯特谱在齿轮的啮合频率及其倍频处出现能量峰值，且峰值的大小与故障的严重程度有关。通过观察希尔伯特谱的变化，可以快速准确地识别出旋转机械的故障特征，实现对故障的有效诊断。2.2HHT方法的局限性2.2.1端点效应在经验模态分解（EMD）过程中，端点效应是一个较为突出的问题。由于EMD是基于信号的局部极值点进行分解的，在确定信号的上下包络线时，需要利用三次样条插值法连接局部极值点。然而，在信号的两端，由于缺乏足够的信息来准确确定局部极值点的趋势，只能通过外推或假设的方式来构造包络线，这就导致了端点处的包络线不准确，进而产生端点效应。具体表现为，在信号的端点处，分解得到的固有模态函数（IMF）可能会出现异常的波动或失真。当对一个包含多个频率成分的振动信号进行EMD分解时，在信号的起始端和结束端，IMF分量可能会出现“尖峰”或“平坦”的异常情况，这些异常会随着分解的进行逐渐向信号内部传播，影响整个分解结果的准确性。如果端点效应严重，可能会使某些IMF分量包含错误的频率成分，导致对信号特征的误判。在旋转机械故障诊断中，错误的IMF分量可能会掩盖真实的故障特征，从而无法准确识别故障类型和位置。端点效应产生的根本原因在于EMD算法对信号端点信息的处理方式。由于缺乏真实的端点数据支持，插值过程中的不确定性使得端点处的包络线难以准确反映信号的真实趋势。这种不确定性会随着分解过程的迭代逐渐积累，对后续的IMF分量产生越来越大的影响，最终导致整个分解结果的偏差。2.2.2模态混叠现象模态混叠是HHT方法中另一个重要的局限性。模态混叠是指在EMD分解过程中，一个IMF分量中包含了不同尺度的信号成分，或者不同IMF分量中包含了相同尺度的信号成分。例如，在对旋转机械的振动信号进行分析时，正常运行状态下的信号和故障状态下的信号可能具有不同的频率特征和尺度。当出现模态混叠时，原本应该属于不同IMF分量的正常信号成分和故障信号成分可能会混合在同一个IMF分量中，或者同一个尺度的信号成分被分散到多个IMF分量中。模态混叠的产生主要有以下几个原因。当信号中存在间歇性成分时，EMD算法难以准确地将其与其他信号成分分离，从而导致模态混叠。旋转机械在运行过程中可能会受到突发的冲击或干扰，这些间歇性的冲击信号会使EMD分解过程产生混乱，使得不同尺度的信号成分混合在一起。噪声的存在也会加剧模态混叠现象。噪声信号通常具有复杂的频率成分和随机性，会干扰EMD对信号固有模态的识别，使IMF分量中混入噪声成分，导致模态混叠。信号本身的复杂性也是产生模态混叠的一个因素。如果信号包含多个相互耦合的振动模式或频率成分，EMD算法在分解过程中可能无法准确地将它们分离，从而出现模态混叠。模态混叠对信号分析和故障诊断产生严重的干扰。它会使IMF分量的物理意义变得模糊不清，难以从IMF分量中准确提取信号的特征信息。在旋转机械故障诊断中，无法准确判断哪些IMF分量与故障相关，哪些是正常信号成分，从而影响故障诊断的准确性。模态混叠还会导致希尔伯特谱的失真，使得信号在时间-频率域上的能量分布无法真实反映信号的实际情况，进一步增加了故障诊断的难度。三、改进HHT方法的策略与原理3.1针对端点效应的改进策略3.1.1数据延拓方法数据延拓是解决端点效应的常用策略之一，其核心思路是在信号的两端添加额外的数据，以此扩充信号的长度，为端点处包络线的确定提供更丰富的信息，从而减少端点处包络线的不确定性，降低端点效应的影响。镜像延拓是一种较为简单直观的数据延拓算法。该方法是将原始信号在端点处进行镜像复制，即在信号的起始端添加一段与信号前半部分镜像对称的数据，在信号的结束端添加一段与信号后半部分镜像对称的数据。假设原始信号为x(t)，长度为N，进行镜像延拓后，新信号y(t)在起始端的延拓部分为x(2-t)（t=1,2,\cdots,M，M为延拓长度），在结束端的延拓部分为x(2N-t)（t=N+1,N+2,\cdots,N+M）。镜像延拓的优点是计算简单，易于实现，能够快速扩充信号长度，在一定程度上改善端点效应。在对旋转机械的振动信号进行处理时，通过镜像延拓，使得EMD分解在端点处有更合理的参考数据，减少了端点处IMF分量的异常波动。然而，镜像延拓也存在局限性，当信号本身在端点附近的变化趋势较为复杂时，简单的镜像复制可能无法准确反映信号的真实特性，导致延拓后的数据与实际信号存在偏差，从而影响EMD分解的准确性。多项式拟合延拓则是利用多项式函数对信号的端点进行拟合，从而得到延拓数据。具体做法是，根据信号端点附近的数据点，采用最小二乘法等方法拟合出一个多项式函数，然后利用该多项式函数计算出延拓数据。对于信号x(t)在结束端的延拓，假设使用n次多项式p(t)=a_0+a_1t+a_2t^2+\cdots+a_nt^n进行拟合，通过最小化\sum_{i=N-m}^{N}(x(i)-p(i))^2（m为用于拟合的数据点个数）来确定多项式的系数a_0,a_1,\cdots,a_n，进而得到延拓数据p(t)（t=N+1,N+2,\cdots,N+M）。多项式拟合延拓的优势在于能够根据信号的局部趋势进行延拓，对于具有一定变化规律的信号，能够较好地保持信号的连续性和趋势性，提高端点处包络线的准确性，有效改善端点效应。但该方法对多项式的阶数选择较为敏感，如果阶数选择不当，可能会导致过拟合或欠拟合问题。阶数过高可能会使拟合曲线过于复杂，包含过多的噪声信息；阶数过低则可能无法准确拟合信号的趋势，影响延拓效果。不同的数据延拓算法对端点效应的改善效果存在差异。在实际应用中，需要根据信号的特点来选择合适的延拓算法。对于具有明显对称特性的信号，镜像延拓可能是较好的选择；而对于具有复杂变化趋势的信号，多项式拟合延拓可能更能准确反映信号的特性，从而更好地改善端点效应。还可以将多种延拓算法结合使用，发挥各自的优势，进一步提高对端点效应的改善效果。3.1.2优化插值算法在经验模态分解（EMD）过程中，插值算法用于构建信号的上下包络线，其精度直接影响到端点处包络线的准确性，进而影响端点效应的严重程度。因此，采用更精准的插值算法是减少端点误差的重要途径。Kriging插值算法是一种基于空间统计学的插值方法，它在考虑数据点之间的空间相关性的基础上进行插值。该算法的基本原理是假设空间中某点的属性值是其周围点属性值的线性组合，通过求解一个方程组来确定线性组合的权重，从而得到该点的估计值。在EMD分解中应用Kriging插值算法时，对于信号端点处的包络线构建，Kriging插值算法会根据端点附近已知数据点的分布和数值，充分考虑它们之间的空间相关性，来预测端点处的包络线值。在处理旋转机械的振动信号时，Kriging插值算法能够利用信号在不同时刻的振动幅值之间的相关性，更准确地估计端点处的包络线，减少因插值不准确导致的端点误差。与传统的三次样条插值算法相比，Kriging插值算法具有明显的优势。三次样条插值算法只是基于数据点的位置进行插值，没有考虑数据之间的内在相关性。当信号存在噪声或局部变化复杂时，三次样条插值容易出现过冲或欠冲现象，导致端点处包络线不准确，进而产生端点效应。而Kriging插值算法通过考虑数据的空间相关性，能够更好地适应信号的复杂变化，生成更平滑、更准确的包络线。在处理含有噪声的振动信号时，三次样条插值可能会将噪声的影响放大，使得端点处的包络线出现较大波动，而Kriging插值算法能够通过对数据相关性的分析，有效抑制噪声的干扰，准确地描绘出信号的真实趋势，减少端点误差。除了Kriging插值算法，还有其他一些优化的插值算法也在减少端点误差方面展现出了良好的效果。如Akima插值算法，它是一种基于局部数据点的插值方法，通过对相邻数据点的斜率进行计算和调整，来生成更光滑的插值曲线。在信号端点处，Akima插值算法能够根据端点附近数据点的斜率变化情况，合理地确定插值点的位置和数值，从而减少端点处的插值误差。与三次样条插值相比，Akima插值在处理具有局部突变的信号时，能够更好地保持信号的局部特征，避免因插值过度平滑而丢失重要信息，从而有效降低端点效应的影响。在实际应用中，可以根据信号的具体特点和需求，选择合适的优化插值算法，以提高EMD分解的精度，减少端点效应带来的误差，为后续的信号分析和故障诊断提供更可靠的数据基础。3.2解决模态混叠的改进措施3.2.1集合经验模态分解（EEMD）集合经验模态分解（EnsembleEmpiricalModeDecomposition，EEMD）是在经验模态分解（EMD）的基础上发展而来的一种改进方法，其主要目的是通过添加白噪声来辅助分解，从而有效抑制模态混叠现象。EEMD的基本原理基于白噪声的统计特性。白噪声具有均匀分布的频率成分，能够在信号中均匀地分布不同尺度的信息。在EEMD分解过程中，向原始信号中加入白噪声，使得信号在不同尺度上的特征更加明显，从而帮助EMD算法更好地识别和分离不同尺度的信号成分。由于白噪声在多次分解中具有随机性，每次加入白噪声后进行EMD分解得到的结果会有所不同。通过对多次分解结果进行集合平均，可以有效地消除白噪声的影响，同时保留信号的真实特征，减少模态混叠的发生。EEMD的实现步骤如下：添加白噪声：对于原始信号x(t)，生成一组或多组具有相同方差的正态白噪声序列n_i(t)（i=1,2,\cdots,N，N为添加白噪声的次数），并将白噪声序列分别与原始信号叠加，得到N个加噪后的信号x_i(t)=x(t)+n_i(t)。EMD分解：对每个加噪后的信号x_i(t)进行EMD分解，得到相应的固有模态函数（IMF）分量c_{ij}(t)（j=1,2,\cdots,M，M为分解得到的IMF分量个数）。在对x_1(t)进行EMD分解时，会得到一系列IMF分量c_{11}(t),c_{12}(t),\cdots,c_{1M}(t)；对x_2(t)进行分解时，会得到另一组IMF分量c_{21}(t),c_{22}(t),\cdots,c_{2M}(t)，以此类推。集合平均：将所有加噪信号分解得到的同一阶IMF分量进行集合平均，得到最终的IMF分量C_j(t)=\frac{1}{N}\sum_{i=1}^{N}c_{ij}(t)。对于第一个IMF分量，将N次分解得到的c_{i1}(t)进行平均，得到C_1(t)；对于第二个IMF分量，将N次分解得到的c_{i2}(t)进行平均，得到C_2(t)，依此类推，直到得到所有的IMF分量。通过这种方式，白噪声在平均过程中相互抵消，而信号的真实特征得以保留，从而有效抑制了模态混叠现象，提高了信号分解的准确性。以旋转机械的振动信号分析为例，在实际应用中，通过EEMD分解可以更清晰地分离出不同故障特征对应的IMF分量。在处理滚动轴承故障信号时，由于故障产生的冲击信号与正常运行信号的尺度特征相近，传统EMD分解容易出现模态混叠，导致难以准确提取故障特征。而采用EEMD方法，通过添加白噪声并进行多次分解和集合平均，能够将故障冲击信号与正常信号有效地分离，得到具有明确物理意义的IMF分量。这些IMF分量可以更准确地反映滚动轴承的故障特征，为后续的故障诊断提供更可靠的依据。3.2.2改进的筛选停止准则在经验模态分解（EMD）过程中，筛选停止准则对于确保分解结果的准确性和有效性至关重要。传统的筛选停止准则主要基于标准差（StandardDeviation，SD），其计算公式为：SD=\sum_{t=1}^{T}\frac{[h_{k-1}(t)-h_{k}(t)]^2}{h_{k-1}^2(t)}其中，h_{k-1}(t)和h_{k}(t)分别为第k-1次和第k次筛选得到的信号，T为信号的长度。当SD小于预设的阈值（通常取值在0.2到0.3之间）时，认为当前筛选得到的信号满足固有模态函数（IMF）的条件，停止筛选过程。然而，传统的基于标准差的筛选停止准则存在一定的局限性。当信号中存在噪声或复杂的频率成分时，标准差的变化可能不明显，导致难以准确判断筛选是否应该停止。如果阈值设置过大，可能会导致欠分解，即IMF分量中仍然包含多种不同尺度的信号成分，未能完全分离；如果阈值设置过小，则可能会导致过分解，产生过多不必要的IMF分量，其中一些可能是虚假的，不具有实际的物理意义。在处理包含噪声的旋转机械振动信号时，由于噪声的干扰，标准差的计算结果可能会出现波动，使得难以确定合适的停止阈值。若阈值设置不当，可能会使分解得到的IMF分量无法准确反映信号的真实特征，从而影响后续的故障诊断结果。为了避免过分解或欠分解，减少模态混叠，许多学者提出了改进的停止准则。一种改进方法是引入相关系数和能量比等参数来综合判断筛选是否停止。通过计算每次筛选得到的信号与前一次筛选得到的信号之间的相关系数，以及当前信号的能量与原始信号能量的比值，来更全面地评估信号的变化情况。当相关系数小于某个阈值，且能量比也满足一定条件时，认为筛选过程可以停止。具体来说，假设当前筛选得到的信号为h_{k}(t)，前一次筛选得到的信号为h_{k-1}(t)，计算它们之间的相关系数\rho：\rho=\frac{\sum_{t=1}^{T}(h_{k-1}(t)-\overline{h_{k-1}})(h_{k}(t)-\overline{h_{k}})}{\sqrt{\sum_{t=1}^{T}(h_{k-1}(t)-\overline{h_{k-1}})^2\sum_{t=1}^{T}(h_{k}(t)-\overline{h_{k}})^2}}其中，\overline{h_{k-1}}和\overline{h_{k}}分别为h_{k-1}(t)和h_{k}(t)的均值。同时，计算当前信号h_{k}(t)的能量E_{k}与原始信号x(t)能量E_{0}的比值\eta：\eta=\frac{E_{k}}{E_{0}}=\frac{\sum_{t=1}^{T}h_{k}^2(t)}{\sum_{t=1}^{T}x^2(t)}当\rho小于预设的相关系数阈值（如0.1），且\eta满足一定的范围（如0.05到0.15之间）时，停止筛选过程。这样可以更准确地判断IMF分量是否已经达到理想的分解状态，避免过分解或欠分解，从而减少模态混叠现象，提高EMD分解的质量和可靠性。3.3改进后HHT方法的原理与流程改进后的HHT方法整合了针对端点效应和模态混叠的改进措施，形成了一套更完善的信号处理流程，其原理和操作流程如下：信号预处理：在对原始信号进行处理之前，先对其进行必要的预处理，如去噪、滤波等操作，以提高信号的质量，减少噪声对后续分析的干扰。对于旋转机械的振动信号，可能会受到环境噪声、电磁干扰等影响，通过低通滤波可以去除高频噪声，通过带通滤波可以保留与故障相关的特定频率成分。端点处理：根据信号的特点选择合适的数据延拓方法，如镜像延拓或多项式拟合延拓，对原始信号的两端进行数据延拓，扩充信号长度，为端点处包络线的确定提供更丰富的信息。在选择镜像延拓时，按照镜像延拓算法，在信号起始端添加与前半部分镜像对称的数据，在结束端添加与后半部分镜像对称的数据；若采用多项式拟合延拓，则根据信号端点附近的数据点，利用最小二乘法拟合多项式函数来计算延拓数据。采用优化的插值算法，如Kriging插值算法或Akima插值算法，来构建信号的上下包络线。在使用Kriging插值算法时，考虑数据点之间的空间相关性，通过求解方程组确定线性组合的权重，从而得到更准确的包络线；使用Akima插值算法时，根据端点附近数据点的斜率变化情况，合理确定插值点的位置和数值，减少端点处的插值误差。通过这些端点处理措施，减少端点效应，提高经验模态分解（EMD）的准确性。模态混叠抑制：采用集合经验模态分解（EEMD）方法对信号进行分解。向经过端点处理后的信号中添加多组具有相同方差的正态白噪声序列，生成多个加噪后的信号。对每个加噪后的信号分别进行EMD分解，得到相应的固有模态函数（IMF）分量。将所有加噪信号分解得到的同一阶IMF分量进行集合平均，得到最终的IMF分量，有效抑制模态混叠现象，提高信号分解的准确性。在分解过程中，严格按照EEMD的实现步骤，控制白噪声的添加次数和方差，确保分解结果的可靠性。同时，结合改进的筛选停止准则，通过计算每次筛选得到的信号与前一次筛选得到的信号之间的相关系数，以及当前信号的能量与原始信号能量的比值，来更全面地评估信号的变化情况，避免过分解或欠分解，进一步减少模态混叠现象，提高EMD分解的质量。希尔伯特变换与分析：对经过EEMD分解得到的IMF分量进行希尔伯特变换，得到每个IMF分量的瞬时频率和瞬时振幅信息。将时间、瞬时频率和瞬时振幅组合在一起，构建出信号的希尔伯特谱，展示信号在时间-频率域上的能量分布情况。通过分析希尔伯特谱，提取信号的特征信息，判断旋转机械的运行状态，识别故障类型和位置。在构建希尔伯特谱时，准确计算瞬时频率和瞬时振幅，确保谱图能够真实反映信号的能量分布特征。利用信号在正常运行和故障状态下希尔伯特谱的差异，建立故障诊断模型，实现对旋转机械故障的有效诊断。以旋转机械滚动轴承故障诊断为例，采集振动信号后，先对信号进行去噪处理，去除环境噪声和电磁干扰。然后采用多项式拟合延拓对信号端点进行处理，再利用Kriging插值算法构建包络线，减少端点效应。接着使用EEMD方法进行分解，添加适量的白噪声并进行多次分解和集合平均，有效抑制模态混叠。对分解得到的IMF分量进行希尔伯特变换，得到希尔伯特谱。通过分析希尔伯特谱，发现某些IMF分量在特定频率处出现能量集中的现象，且与滚动轴承内圈故障特征频率一致，从而准确判断出滚动轴承内圈出现故障。改进后的HHT方法通过一系列的改进措施，提高了对旋转机械故障信号的分析能力和故障诊断的准确性，为旋转机械的安全可靠运行提供了有力保障。四、基于改进HHT方法的故障特征提取4.1旋转机械常见故障类型及振动信号特征4.1.1转子不平衡故障转子不平衡是旋转机械常见的故障之一，其产生的原因较为复杂。在转子制造过程中，由于材料质量不均匀，如内部存在气孔、杂质等，会导致转子质量分布不均；加工精度不足，使得转子的几何形状不符合设计要求，也会引发不平衡问题。在安装和使用过程中，转子上的零部件安装不当，如紧固螺栓松动、零件位置偏移等，以及长期运行导致的磨损、腐蚀等，都可能破坏转子的平衡状态。从时域特征来看，转子不平衡时的振动信号近似为正弦波。这是因为不平衡质量在转子旋转时产生的离心力是周期性变化的，其频率与转子的旋转频率相同，从而使得振动信号呈现出正弦波的形态。振动信号的幅值与不平衡质量的大小以及转子的转速密切相关。根据离心力公式F=mr\omega^2（其中F为离心力，m为不平衡质量，r为不平衡质量到旋转中心的距离，\omega为转子的角速度），可知转速越高、不平衡质量越大，产生的离心力就越大，振动信号的幅值也就越大。当转子的转速从低速逐渐升高时，振动幅值会随之逐渐增大，且在接近转子的临界转速时，幅值会急剧增大。在频域特征方面，振动信号的能量主要集中在转子的基频（即旋转频率）处。这是由于不平衡故障主要是由转子的旋转引起的，其产生的振动能量主要分布在与旋转频率相关的频率成分上。在实际的旋转机械中，由于存在各种复杂的因素，如轴承的非线性特性、结构的阻尼等，振动信号中还可能会出现较小的高次谐波成分。这些高次谐波是由于非线性因素导致的，它们的幅值相对较小，但在故障诊断中也具有一定的参考价值。当转子不平衡故障较为严重时，高次谐波的幅值可能会相对增大，反映出故障的加剧。例如，在某大型电机的运行过程中，当转子出现不平衡故障时，通过振动传感器采集到的时域振动信号呈现出明显的正弦波特征，其幅值随着电机转速的升高而增大。对该振动信号进行傅里叶变换后得到的频域分析结果显示，能量主要集中在电机转子的基频处，同时在基频的2倍频、3倍频等位置也出现了较小的谐波成分，且随着不平衡故障的发展，这些谐波成分的幅值有逐渐增大的趋势。4.1.2轴承故障滚动轴承作为旋转机械中常用的部件，其故障类型多样，常见的有滚珠磨损、内圈故障和外圈故障等。滚珠磨损通常是由于长期的摩擦、润滑不良或过载运行等原因导致的。在运行过程中，滚珠与内圈、外圈的滚道不断接触摩擦，当润滑不足时，摩擦加剧，容易使滚珠表面出现磨损、剥落等现象；过载运行会使滚珠承受过大的压力，加速磨损进程。内圈故障可能是由于内圈与轴的配合不当，如过盈量不足导致相对滑动，或者内圈受到冲击载荷而产生裂纹、剥落等。外圈故障则多是由于外圈与轴承座的配合问题，以及受到外部振动、冲击等因素的影响，导致外圈出现损伤。轴承故障产生的振动信号具有明显的特征。当轴承的滚珠出现磨损时，振动信号会呈现出周期性的冲击特征。这是因为磨损的滚珠在滚动过程中与滚道接触时会产生不均匀的冲击力，从而导致振动信号出现周期性的尖峰。在时域波形上，可以观察到一系列间隔相等的脉冲信号，脉冲的间隔与滚珠的旋转周期相关。在频域上，除了会出现与滚珠故障相关的特征频率外，还可能会出现轴承的固有频率成分。滚珠故障特征频率可以通过公式f_{bsf}=\frac{D}{d}\frac{n}{2}\sqrt{1-(\frac{d}{D})^2}计算得到（其中f_{bsf}为滚珠故障特征频率，D为轴承节径，d为滚珠直径，n为转子转速）。由于磨损导致的冲击会激发轴承部件的固有振动，所以在频域中会出现固有频率成分，这些固有频率与轴承的材料、结构等因素有关。对于内圈故障，振动信号同样具有周期性冲击特性，且冲击的频率与内圈的旋转频率和滚珠个数相关。在时域上，振动信号表现为一系列间隔不均匀的脉冲，这是因为内圈故障点与滚珠的接触是周期性变化的，且由于内圈的旋转，故障点与滚珠的接触间隔会发生变化。在频域上，内圈故障特征频率可由公式f_{bpfi}=\frac{n}{2}(1+\frac{d}{D}\cos\alpha)z计算（其中f_{bpfi}为内圈故障特征频率，n为转子转速，d为滚珠直径，D为轴承节径，\alpha为接触角，z为滚珠个数）。内圈故障还可能会引起调制现象，在啮合频率及其谐波周围出现边频带，边频带的间隔与内圈故障特征频率相等。这是由于内圈故障导致的振动与正常的啮合振动相互调制，使得频域上出现边频带。外圈故障时，振动信号在时域上也呈现出周期性冲击特征，但其冲击频率与内圈故障时不同，与外圈的固定状态以及滚珠个数相关。在频域上，外圈故障特征频率可通过公式f_{bpfo}=\frac{n}{2}(1-\frac{d}{D}\cos\alpha)z计算。与内圈故障类似，外圈故障也可能导致调制现象，在啮合频率及其谐波周围出现边频带，边频带间隔与外圈故障特征频率一致。在某机械设备的滚动轴承出现外圈故障时，采集到的振动信号时域波形呈现出周期性的冲击脉冲，通过频域分析，在特定频率处出现了明显的能量峰值，经计算该频率与通过公式得到的外圈故障特征频率相符，同时在啮合频率周围出现了边频带，进一步验证了外圈故障的存在。4.1.3齿轮故障齿轮作为旋转机械中的重要传动部件，其故障类型主要包括齿面磨损和断齿等。齿面磨损通常是由于齿轮在长期的啮合过程中，齿面之间存在相对滑动，且受到载荷的作用，导致齿面材料逐渐磨损。当润滑条件不佳时，齿面间的摩擦加剧，磨损速度会加快；过载运行也会使齿面承受过大的压力，加速磨损进程。断齿则多是由于齿轮受到突然的冲击载荷，如异物进入齿轮啮合区域，或者齿轮本身存在材料缺陷、加工裂纹等，在交变载荷的作用下，裂纹逐渐扩展，最终导致断齿。当齿轮出现齿面磨损故障时，振动信号在时域上表现出周期性的冲击特性，这是因为磨损的齿面在啮合过程中会产生不均匀的冲击力。在频域上，齿轮的啮合频率及其谐波幅值会相对增大。啮合频率可由公式f_m=nz计算得到（其中f_m为啮合频率，n为齿轮转速，z为齿数）。随着齿面磨损程度的加剧，啮合频率及其谐波的幅值会持续增长，这是因为磨损导致齿面的粗糙度增加，啮合时的冲击更加剧烈，从而使振动能量增大。由于磨损可能导致齿轮的刚度发生变化，在频域上还可能出现一些与刚度变化相关的频率成分。断齿故障属于齿轮的局部性严重故障，在时域上，当齿轮运转至断齿部位时，会产生强烈的瞬时冲击，振动信号会出现高幅值的波峰。在频域上，啮合频率会受到齿轮旋转频率的调制，在啮合频率及其谐波两侧产生一系列的边频带。这是因为断齿处的冲击会引起齿轮振动的周期性变化，这种变化与齿轮的旋转频率相关，从而导致调制现象的出现。边频带的数量较多、范围较广、分布相对均匀且较为平坦，随着断齿故障的发展，边频带在宽度范围及幅值上都会增大，反映出故障的恶化程度。在某齿轮箱的故障诊断中，当齿轮出现断齿故障时，采集到的振动信号时域波形在特定时刻出现了明显的高幅值尖峰，通过频域分析，在啮合频率及其谐波两侧发现了一系列边频带，边频带的范围较宽且幅值逐渐增大，准确地反映了断齿故障的特征。四、基于改进HHT方法的故障特征提取4.2改进HHT方法提取故障特征的过程4.2.1信号预处理在对旋转机械的振动信号进行分析之前，信号预处理是至关重要的环节，其目的在于去除原始信号中的噪声和干扰，提升信号质量，为后续的改进HHT分解及故障特征提取奠定坚实基础。滤波是信号预处理中常用的方法之一。对于旋转机械振动信号，常见的噪声包括高频噪声和工频干扰等。采用低通滤波器可以有效去除高频噪声，其原理是允许低于某一截止频率的信号成分通过，而高于该截止频率的信号成分则被大幅衰减。在处理电机振动信号时，由于电机运行环境中可能存在电磁干扰产生的高频噪声，通过设置合适截止频率的低通滤波器，能够去除这些高频噪声，使信号更加平滑，突出与电机运行状态相关的低频信号成分。带通滤波器则可用于保留特定频率范围内的信号，抑制其他频率的干扰。在诊断滚动轴承故障时，根据滚动轴承故障特征频率的范围，设计相应的带通滤波器，只允许包含故障特征频率的信号通过，从而增强故障特征信号，减少其他频率成分的干扰，更清晰地展现出与轴承故障相关的信号特征。除了滤波，降噪也是信号预处理的重要步骤。小波阈值降噪是一种常用的降噪方法，它基于小波变换的原理。在小波变换中，信号会被分解为不同尺度和频率的小波系数，而噪声对应的小波系数通常较小。通过设置合适的阈值，对小波系数进行处理，将小于阈值的小波系数置零，然后进行小波逆变换，即可实现降噪。对于含有噪声的旋转机械振动信号，经过小波阈值降噪处理后，能够有效去除噪声，保留信号的真实特征，提高信号的信噪比，使得后续的分析更加准确可靠。在实际应用中，阈值的选择对降噪效果有很大影响，需要根据信号的特点和噪声水平进行合理调整。此外，在信号采集过程中，由于采样频率的限制或信号传输过程中的干扰，可能会出现信号缺失或异常值的情况。此时，需要进行数据插值和修复。对于缺失的数据点，可以采用线性插值、样条插值等方法进行补充。线性插值是根据相邻数据点的数值，通过线性关系计算出缺失点的值；样条插值则是利用样条函数对数据点进行拟合，得到更加平滑的插值曲线。对于异常值，可以通过统计方法进行检测和修正，如利用3σ准则，当数据点与均值的偏差超过3倍标准差时，认为该数据点是异常值，可将其替换为合理的值。通过这些数据插值和修复方法，可以保证信号的完整性和连续性，为后续的分析提供准确的数据。4.2.2改进HHT分解经过信号预处理后，采用改进HHT方法对信号进行分解，以获取能够准确反映旋转机械运行状态的固有模态函数（IMF）分量。改进HHT方法整合了针对端点效应和模态混叠的多种改进措施，使得分解过程更加准确和可靠。首先，对预处理后的信号进行端点处理。根据信号的特性选择合适的数据延拓方法，若信号在端点附近具有一定的对称性，可采用镜像延拓算法。假设原始信号为x(t)，长度为N，在信号的起始端添加一段与信号前半部分镜像对称的数据x(2-t)（t=1,2,\cdots,M，M为延拓长度），在结束端添加一段与信号后半部分镜像对称的数据x(2N-t)（t=N+1,N+2,\cdots,N+M），从而扩充信号长度，为端点处包络线的确定提供更丰富的信息，减少端点效应的影响。若信号在端点附近的变化趋势较为复杂，则可采用多项式拟合延拓，根据信号端点附近的数据点，利用最小二乘法拟合出一个多项式函数p(t)=a_0+a_1t+a_2t^2+\cdots+a_nt^n，通过最小化\sum_{i=N-m}^{N}(x(i)-p(i))^2（m为用于拟合的数据点个数）来确定多项式的系数a_0,a_1,\cdots,a_n，进而得到延拓数据p(t)（t=N+1,N+2,\cdots,N+M），以更准确地反映信号的真实趋势，减少端点误差。在确定包络线时，采用优化的插值算法，如Kriging插值算法。该算法基于空间统计学原理，考虑数据点之间的空间相关性。在对信号进行处理时，对于端点处的包络线构建，Kriging插值算法会根据端点附近已知数据点的分布和数值，充分考虑它们之间的空间相关性，通过求解一个方程组来确定线性组合的权重，从而得到更准确的包络线值，减少因插值不准确导致的端点误差。与传统的三次样条插值算法相比，Kriging插值算法能够更好地适应信号的复杂变化，生成更平滑、更准确的包络线，有效减少端点效应。接着，采用集合经验模态分解（EEMD）方法对信号进行分解，以抑制模态混叠现象。EEMD的基本原理是利用白噪声的统计特性，在信号中均匀分布不同尺度的信息，帮助经验模态分解（EMD）算法更好地识别和分离不同尺度的信号成分。具体实现步骤如下：生成一组或多组具有相同方差的正态白噪声序列n_i(t)（i=1,2,\cdots,N，N为添加白噪声的次数），并将其分别与经过端点处理后的信号叠加，得到N个加噪后的信号x_i(t)=x(t)+n_i(t)。对每个加噪后的信号x_i(t)进行EMD分解，得到相应的IMF分量c_{ij}(t)（j=1,2,\cdots,M，M为分解得到的IMF分量个数）。将所有加噪信号分解得到的同一阶IMF分量进行集合平均，得到最终的IMF分量C_j(t)=\frac{1}{N}\sum_{i=1}^{N}c_{ij}(t)。在对旋转机械的振动信号进行处理时，通过EEMD分解，能够有效分离出不同尺度的信号成分，减少模态混叠，使得每个IMF分量具有更明确的物理意义，更准确地反映旋转机械的运行状态和故障特征。在EEMD分解过程中，结合改进的筛选停止准则，以避免过分解或欠分解。传统的基于标准差（SD）的筛选停止准则存在局限性，当信号中存在噪声或复杂的频率成分时，难以准确判断筛选是否应该停止。改进的停止准则引入相关系数和能量比等参数来综合判断。计算每次筛选得到的信号与前一次筛选得到的信号之间的相关系数\rho：\rho=\frac{\sum_{t=1}^{T}(h_{k-1}(t)-\overline{h_{k-1}})(h_{k}(t)-\overline{h_{k}})}{\sqrt{\sum_{t=1}^{T}(h_{k-1}(t)-\overline{h_{k-1}})^2\sum_{t=1}^{T}(h_{k}(t)-\overline{h_{k}})^2}}其中，h_{k-1}(t)和h_{k}(t)分别为第k-1次和第k次筛选得到的信号，\overline{h_{k-1}}和\overline{h_{k}}分别为h_{k-1}(t)和h_{k}(t)的均值，T为信号的长度。同时，计算当前信号h_{k}(t)的能量E_{k}与原始信号x(t)能量E_{0}的比值\eta：\eta=\frac{E_{k}}{E_{0}}=\frac{\sum_{t=1}^{T}h_{k}^2(t)}{\sum_{t=1}^{T}x^2(t)}当\rho小于预设的相关系数阈值（如0.1），且\eta满足一定的范围（如0.05到0.15之间）时，认为筛选过程可以停止。通过这种改进的筛选停止准则，能够更准确地判断IMF分量是否已经达到理想的分解状态，避免过分解或欠分解，提高EEMD分解的质量和可靠性，为后续的故障特征提取提供更准确的IMF分量。4.2.3故障特征参数计算从经过改进HHT分解得到的IMF分量中提取故障特征参数，是实现旋转机械故障诊断的关键步骤。这些故障特征参数能够准确反映旋转机械的运行状态和故障信息，为故障诊断提供重要依据。能量特征是常用的故障特征参数之一。由于不同的故障类型会导致振动信号的能量分布发生变化，通过计算IMF分量的能量，可以有效识别故障。对于每个IMF分量C_j(t)，其能量E_j的计算公式为E_j=\int_{t_1}^{t_2}C_j^2(t)dt，其中t_1和t_2为信号的时间区间。在诊断滚动轴承故障时，当轴承出现内圈故障、外圈故障或滚动体故障时，相应的IMF分量能量会发生显著变化。内圈故障会使包含内圈故障特征频率的IMF分量能量增大，通过对比正常状态和故障状态下该IMF分量的能量值，能够判断轴承是否存在内圈故障以及故障的严重程度。还可以计算各IMF分量能量占总能量的比例，即能量比\gamma_j=\frac{E_j}{\sum_{i=1}^{M}E_i}（M为IMF分量的总数），能量比能够更直观地反映各IMF分量在信号中的能量分布情况，进一步辅助故障诊断。频率特征也是重要的故障特征参数。通过对IMF分量进行希尔伯特变换，得到每个IMF分量的瞬时频率\omega_j(t)。在旋转机械正常运行时，振动信号的瞬时频率具有一定的稳定性和规律性；当出现故障时，瞬时频率会发生特征性的变化。在齿轮故障诊断中，当齿轮出现齿面磨损或断齿故障时，瞬时频率会在齿轮的啮合频率及其谐波处出现异常波动。齿面磨损会导致啮合频率及其谐波的幅值增大，且瞬时频率的波动范围也会增大；断齿故障则会使啮合频率受到齿轮旋转频率的调制，在啮合频率及其谐波两侧产生一系列的边频带，边频带的间隔与齿轮旋转频率相关，通过分析瞬时频率的这些变化，可以准确判断齿轮的故障类型和位置。除了能量特征和频率特征，还可以提取其他故障特征参数，如熵特征。熵是描述信号不确定性和复杂性的物理量，通过计算IMF分量的熵值，可以反映信号的复杂程度和故障信息。样本熵是常用的熵计算方法之一，对于IMF分量C_j(t)，其样本熵S_j的计算步骤如下：首先将IMF分量C_j(t)按照一定的模式长度m进行相空间重构，得到N-m+1个m维向量\mathbf{X}_i=[C_j(i),C_j(i+1),\cdots,C_j(i+m-1)]（i=1,2,\cdots,N-m+1）。计算任意两个向量\mathbf{X}_i和\mathbf{X}_j（i\neqj）之间的距离d(\mathbf{X}_i,\mathbf{X}_j)=\max_{k=0}^{m-1}|C_j(i+k)-C_j(j+k)|。对于每个\mathbf{X}_i，统计满足d(\mathbf{X}_i,\mathbf{X}_j)\leqr（r为相似容限）的\mathbf{X}_j的个数N_{ij}(r)，并计算B_i^m(r)=\frac{1}{N-m}\sum_{j=1,j\neqi}^{N-m+1}N_{ij}(r)，B^m(r)=\frac{1}{N-m+1}\sum_{i=1}^{N-m+1}B_i^m(r)。将模式长度增加1，重复上述步骤，得到B^m(r)和B^{m+1}(r)，则样本熵S_j=-\ln\frac{B^{m+1}(r)}{B^m(r)}。在旋转机械故障诊断中，当设备出现故障时，信号的复杂性增加，样本熵值会相应增大，通过监测样本熵的变化，可以及时发现故障的发生。在实际应用中，通常会综合多个故障特征参数进行故障诊断，以提高诊断的准确性和可靠性。将能量特征、频率特征和熵特征等组合成一个特征向量，作为故障诊断模型的输入，能够更全面地反映旋转机械的运行状态和故障信息。采用支持向量机（SVM）、人工神经网络（ANN）等模式识别方法，对特征向量进行分类和识别，实现对旋转机械故障类型和故障程度的准确诊断。五、改进HHT方法在旋转机械故障诊断中的案例分析5.1实验平台搭建与数据采集5.1.1实验设备介绍为了深入研究改进HHT方法在旋转机械故障诊断中的应用效果，搭建了一套模拟旋转机械故障的实验平台，该平台主要由转子试验台和轴承试验装置等关键设备组成。转子试验台是模拟旋转机械转子系统运行状态的核心设备，其主要结构包括电机、联轴器、转子轴、支撑轴承和加载装置等。电机作为动力源，能够提供稳定的转速输出，通过调节电机的控制参数，可以实现不同转速工况下的实验模拟。联轴器用于连接电机和转子轴，确保两者之间的扭矩传递平稳，减少振动和冲击。转子轴是模拟的关键部件，采用高强度合金钢材料制成，以保证其在高速旋转时的强度和稳定性。在转子轴上，可以安装不同类型的模拟故障部件，如不平衡质量块、裂纹模拟件等，用于模拟转子不平衡、转子裂纹等常见故障。支撑轴承采用高精度滚动轴承，为转子轴提供可靠的支撑，减少旋转过程中的摩擦和振动。加载装置则可以对转子轴施加不同的径向和轴向载荷，模拟旋转机械在实际运行中所承受的复杂载荷工况。轴承试验装置专门用于模拟和研究滚动轴承的故障情况，主要由试验轴承座、被测轴承、加载机构和转速调节装置等部分组成。试验轴承座采用坚固的结构设计，能够为被测轴承提供稳定的安装基础。被测轴承选用常见的深沟球轴承，可在其内外圈和滚动体上制造不同类型和程度的故障，如内圈点蚀、外圈剥落、滚动体磨损等，以模拟实际运行中滚动轴承可能出现的各种故障形式。加载机构通过液压系统或机械装置，能够对被测轴承施加不同大小的径向和轴向载荷，以研究载荷对轴承故障发展的影响。转速调节装置则通过电机和变速器的组合，可实现对被测轴承转速的精确控制，模拟不同转速下的轴承运行状态。此外，实验平台还配备了一系列辅助设备，如振动传感器、温度传感器、数据采集卡和计算机等。振动传感器采用加速度传感器，安装在转子试验台和轴承试验装置的关键部位，用于实时采集设备运行过程中的振动信号，其具有高灵敏度和宽频率响应范围，能够准确捕捉到设备的振动变化。温度传感器用于监测轴承和电机等关键部件的温度，防止因温度过高导致设备损坏。数据采集卡将传感器采集到的模拟信号转换为数字信号，并传输到计算机中进行后续处理和分析，其具有高速采样和多通道同步采集功能，确保数据采集的准确性和完整性。计算机安装了专门的数据采集和分析软件，用于实现数据的实时显示、存储和分析处理。通过以上实验设备的合理组合和配置，能够模拟多种常见的旋转机械故障工况，为改进HHT方法的实验研究提供丰富的实验数据，从而深入验证改进HHT方法在旋转机械故障诊断中的有效性和优越性。5.1.2数据采集系统数据采集系统是获取旋转机械故障信号的关键环节，其性能直接影响到后续故障诊断的准确性和可靠性。本实验采用的数据采集系统主要由传感器、信号调理模块、数据采集卡和计算机组成。传感器是数据采集系统的前端设备，负责将旋转机械的振动信号转换为电信号。在本实验中，选用了高精度的加速度传感器，其灵敏度为50mV/g，频率响应范围为0.5Hz-10kHz，能够准确地捕捉到旋转机械在不同故障状态下的振动信号变化。根据旋转机械的结构特点和故障诊断的需求，将加速度传感器安装在转子试验台的轴承座、电机外壳以及轴承试验装置的轴承座等关键部位。在转子试验台的轴承座上，沿水平和垂直方向各安装一个加速度传感器，以全面采集转子在旋转过程中的径向振动信号；在电机外壳上安装一个加速度传感器，用于监测电机自身的振动情况；在轴承试验装置的轴承座上，同样沿不同方向安装加速度传感器，以获取轴承在不同故障状态下的振动响应。信号调理模块用于对传感器输出的电信号进行放大、滤波和阻抗匹配等处理，以满足数据采集卡的输入要求。信号调理模块首先对传感器输出的微弱信号进行放大，将信号幅值提升到合适的范围，以便后续处理。采用低通滤波器对信号进行滤波处理，去除信号中的高频噪声和干扰，提高信号的质量。低通滤波器的截止频率设置为5kHz，能够有效滤除高于5kHz的噪声成分，保留与旋转机械故障相关的低频信号。通过阻抗匹配电路，确保传感器与数据采集卡之间的信号传输稳定，减少信号失真。数据采集卡是数据采集系统的核心部件，负责将经过信号调理模块处理后的模拟信号转换为数字信号，并传输到计算机中进行存储和分析。本实验选用的是一款具有8通道同步采集功能的数据采集卡，其采样频率最高可达100kHz，分辨率为16位。在数据采集过程中，根据旋转机械故障信号的特点，将采样频率设置为20kHz，以确保能够准确采集到信号的细节信息。数据采集卡通过USB接口与计算机连接，实现数据的快速传输和实时监控。计算机安装了专门的数据采集和分析软件，用于控制数据采集过程、实时显示采集到的信号波形以及对采集到的数据进行存储和初步分析。在数据采集前，通过软件设置数据采集卡的参数，如采样频率、采样点数、触发方式等。在采集过程中，软件能够实时显示各个通道的振动信号波形，以便操作人员实时监测信号的变化情况。采集完成后，软件将采集到的数据以二进制文件的形式存储在计算机硬盘中，为后续的数据分析和处理提供数据支持。软件还具备简单的数据预处理功能，如均值滤波、去趋势等，可对采集到的数据进行初步处理，为后续的深入分析做好准备。在数据采集过程中，针对不同的故障状态，分别进行数据采集。在模拟转子不平衡故障时，通过在转子轴上安装不同质量的不平衡质量块，设置不同的不平衡程度，在每个不平衡程度下，以不同的转速运行转子试验台，采集相应的振动信号。对于轴承故障，分别在轴承的内圈、外圈和滚动体上制造不同类型和程度的故障，如内圈点蚀、外圈剥落、滚动体磨损等，在不同的载荷和转速条件下，采集轴承试验装置的振动信号。每种故障状态下，采集多组数据，以保证数据的可靠性和代表性。通过以上数据采集系统和方法，能够获取丰富的旋转机械不同故障状态下的振动信号数据，为基于改进HHT方法的故障诊断研究提供充足的数据支持。5.2基于改进HHT方法的故障诊断过程5.2.1信号分析与特征提取运用改进HHT方法对采集到的振动信号进行深入分析，以提取能够准确反映旋转机械运行状态和故障类型的特征。在对轴承故障信号进行分析时，首先对采集到的原始振动信号进行预处理。由于原始信号中可能包含各种噪声和干扰，采用带通滤波的方法，根据轴承故障特征频率的范围，设计合适的带通滤波器，去除高频噪声和低频干扰，保留与轴承故障相关的特定频率范围的信号，提高信号的信噪比。利用小波阈值降噪方法进一步去除信号中的噪声，通过设置合适的小波基函数和阈值，对信号进行小波变换，将小于阈值的小波系数置零，然后进行小波逆变换，得到降噪后的信号，使信号更加清晰，便于后续分析。对预处理后的信号进行改进HHT分解。针对信号的端点效应，采用多项式拟合延拓的方法对信号两端进行数据延拓。根据信号端点附近的数据点，利用最小二乘法拟合出一个多项式函数，计算得到延拓数据，扩充信号长度，为端点处包络线的确定提供更丰富的信息，减少端点处包络线的不确定性，降低端点效应的影响。在确定包络线时，采用Kriging插值算法，该算法考虑数据点之间的空间相关性，通过求解方程组确定线性组合的权重，从而得到更准确的包络线，减少因插值不准确导致的端点误差。接着，采用集合经验模态分解（EEMD）方法对信号进行分解，抑制模态混叠现象。向经过端点处理后的信号中添加多组具有相同方差的正态白噪声序列，生成多个加噪后的信号。对每个加噪后的信号分别进行经验模态分解（EMD），得到相应的固有模态函数（IMF）分量。将所有加噪信号分解得到的同一阶IMF分量进行集合平均，得到最终的IMF分量，有效抑制模态混叠，使得每个IMF分量具有更明确的物理意义，更准确地反映旋转机械的运行状态和故障特征。在EEMD分解过程中，结合改进的筛选停止准则，通过计算每次筛选得到的信号与前一次筛选得到的信号之间的相关系数，以及当前信号的能量与原始信号能量的比值，来更全面地评估信号的变化情况，避免过分解或欠分解，提高EEMD分解的质量和可靠性。从经过改进HHT分解得到的IMF分量中提取故障特征参数。计算IMF分量的能量特征，对于每个IMF分量C_j(t)，其能量E_j=\int_{t_1}^{t_2}C_j^2(t)dt，通过对比正常状态和故障状态下各IMF分量的能量值，判断故障是否发生以及故障的严重程度。在诊断轴承内圈故障时，包含内圈故障特征频率的IMF分量能量会显著增大。还计算各IMF分量能量占总能量的比例，即能量比\gamma_j=\frac{E_j}{\sum_{i=1}^{M}E_i}（M为IMF分量的总数），能量比能够更直观地反映各IMF分量在信号中的能量分布情况，辅助故障诊断。通过对IMF分量进行希尔伯特变换，得到每个IMF分量的瞬时频率\omega_j(t)，分析瞬时频率在故障特征频率处的变化情况，判断故障类型和位置。在轴承故障诊断中，不同故障类型会导致瞬时频率在特定频率处出现异常波动，通过监测这些波动，可以准确识别故障。计算IMF分量的样本熵等熵特征，当设备出现故障时，信号的复杂性增加，样本熵值会相应增大，通过监测样本熵的变化，可以及时发现故障的发生。将能量特征、频率特征和熵特征等组合成一个特征向量，作为故障诊断模型的输入，更全面地反映旋转机械的运行状态和故障信息。5.2.2故障类型判断与定位依据提取的故障特征，结合故障诊断准则，判断故障类型并定位故障位置。在旋转机械故障诊断中，建立了基于支持向量机（SVM）的故障诊断模型。SVM是一种基于统计学习理论的分类方法，能够有效地处理小样本、非线性和高维数据的分类问题。将提取的故障特征向量作为SVM模型的输入，通过训练SVM模型，使其学习不同故障类型对应的特征模式。在训练过程中，选择合适的核函数（如径向基核函数）和参数，以提高模型的分类性能。通过交叉验证等方法对模型进行优化，确定最优的参数组合。当有新的振动信号需要诊断时，首先运用改进HHT方法对信号进行分析，提取故障特征向量。将该特征向量输入到训练好的SVM模型中，模型根据学习到的特征模式，判断信号所对应的故障类型。在判断轴承故障时，如果模型输出的结果为内圈故障类别，则可以判断轴承内圈出现故障；如果输出为外圈故障类别，则表明轴承外圈存在故障。对于故障位置的定位，结合旋转机械的结构特点和故障特征进行判断。在轴承故障中，根据不同故障类型对应的特征频率与轴承结构参数的关系，可以确定故障发生在内圈、外圈还是滚动体上。对于转子不平衡故障，由于不平衡质量会导致振动信号在转子的基频处出现能量集中，且振动幅值与不平衡质量的大小和位置有关，通过分析振动信号在基频处的幅值分布以及相位信息，可以大致判断不平衡质量在转子上的位置。在实际应用中，还可以结合其他信息，如设备的运行历史、维护记录等，进一步提高故障类型判断和故障位置定位的准确性。通过将改进HHT方法与故障诊断模型相结合，能够实现对旋转机械故障类型的准确判断和故障位置的有效定位，为设备的维修和保养提供重要依据，保障旋转机械的安全可靠运行。5.3诊断结果与对比分析5.3.1与传统HHT方法对比在对某型号电机的故障诊断实验中，同时运用改进HHT方法和传统HHT方法对采集到的振动信号进行分析。该电机在运行过程中出现了转子不平衡故障，实验目的是对比两种方法对该故障的诊断效果。使用传统HHT方法对振动信号进行处理时，由于存在端点效应，在信号的起始端和结束端，分解得到的固有模态函数（IMF）出现了明显的异常波动。这些异常波动随着分解的进行逐渐向信号内部传播，导致部分IMF分量包含了错误的频率成分，使得在构建的希尔伯特谱中，故障特征频率的能量分布出现偏差，难以准确判断故障的类型和严重程度。在分析过程中，由于模态混叠现象，正常运行信号成分和故障信号成分混合在同一个IMF分量中，使得该IMF分量的物理意义变得模糊不清，无法准确提取故障特征。在判断转子不平衡故障时，无法清晰地从希尔伯特谱中识别出与转子基频相关的能量集中区域，导致故障诊断