沈颉 郭欣 何嘉

摘要：旋转机械故障特征的提取是监测故障信号的关键。本文针对旋转机械中的重要零部件如轴承等的故障振动信号往往被噪声淹没的问题，提出一种基于完备集成经验模态分解的改进希尔伯特黄故障特征提取方法，消除了经验模态分解存在的模态混叠现象。该方法首先采用相关性、光滑度综合指标进行信号去噪，然后利用改进的希尔伯特黄筛选出故障特征模态进行信号重构，最后对重构信号进行频谱分析。经过仿真信号和实测信号的验证，此方法能够准确提取故障特征频率，从而实现对故障信号的识别。

关键词： 故障信号; 信号重构; 能量指标; 故障特征提取

【Abstract】 The extraction of fault characteristics of rotating machinery is the key to monitoring fault signals. In this paper， the fault vibration signal of important parts such as bearings in rotating machinery is often overwhelmed by noise. The paper proposes an improved Hilbert Huang fault feature extraction method based on complete integrated empirical mode decomposition， which eliminates the empirical mode and decomposes the existence of modal aliasing. The method firstly uses the comprehensive index such as correlation and smoothness to denoise the signal， then uses the improved Hilbert Huang to screen out the fault modality for signal reconstruction， finally performs spectrum analysis on the reconstructed signal. After verification of the simulated signal and the measured signal， the method can accurately extract the fault characteristic frequency， thereby realizing the identification of the fault signal.

【Key words】  fault signal; signal reconstruction; energy index; fault feature extraction

0 引 言

目前旋转传动部分对于各类机械装置而言必不可少，其中轴承作为作为核心部件起着至关重要的作用，该部件的性能表现在很大程度上影响着整套设备的运行状态[1]。然而当这些重要的机械部件发生故障时，会直接降低设备的工作效率，如果不能尽快发现作为安全隐患迟早会损伤设备，甚至危害人身财产安全[2]。因此，及早发现设备故障，排除安全隐患具有十分重要的现实意义。但是工业上旋转机械传动系统结构复杂多样，其故障信号也具有非平稳性、非线性、频谱复杂等特性，且隐藏在噪声信号中不易被发现，故常规的针对周期平稳信号的时频分析方法并不适用于该类故障特征的检测分析[3]。

针对复杂信号的时频分析方法主要有小波变换、短时傅里叶变换、经验模态分解等[4]，其中短时傅里叶变换依旧是以固定函数为基础，将原始信号进行固定的基底映射。小波变换的基底具有可塑性、可选性，但这些操作都需要人为完成。经验模态分解（Empirical Mode Decomposition， EMD）方法可以将信号分解為不同尺度的分量（Intrinsic Mode Function， IMF），在此过程中无人为干预，具有自适应性，经处理后信号具有很好的完备性，但是该方法存在模态混叠现象和端点效应[4]。叶美桃等人[5]提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。王宏民等人[6]提出了一种使用变分模态分解（VMD）方法对齿轮裂纹故障进行特征提取，并分析了变分模态分解方法在信号解耦中的适用性。冷军发等人[7]提出了一种基于经验模态分解与约束独立分量分析相结合的故障特征提取方法。与常规EMD分解方法相比，这些方法有了长足的进步，能够较好抑制“模态混叠”现象的发生，但由于仍使用以EMD为基础的信号处理算法，难以从根本上解决问题，将对最终结果产生影响。

自适应白噪声的完备经验模态分解（Complete Ensemble Empirical Mode Decomposition with adaptive noise， CEEMDAN）是通过在特定分解阶段加入特定的白噪声，使得每一次迭代的余项唯一，消除了EMD的模态混叠现象[8]。因此，本文采用基于CEEMDAN的改进希尔伯特黄算法，提取故障特征信号进行故障分析。

1 理论基础

希尔伯特黄（Hilbert-Huang Transform，HHT）主要包含经验模态分解和希尔伯特变换两部分[9]。本文采用CEEMDAN对原始信号进行经验模态分解，得到精确的模态分量。在自适应白噪声的完备经验模态分解基础上，通过设置相关性、光滑度权重运用综合算法对信号进行降噪处理。采用改进的HHT求得降噪后剩余模态分量能量值，利用能量的大小筛选出包含故障特征的模态分量重构信号。故障特征提取方法流程图如图 1所示。