特黄变换在风机故障诊断的应用 本文关键词：风机，变换，故障诊断
特黄变换在风机故障诊断的应用 本文简介：摘要：本文提出了基于经验模态分解（EMD）的风机故障诊断的希尔伯特黄变换(Hilbert-HuangTransformation,HHT)方法，介绍了Hilbert-Huang变换理论及其算法。此后以一台现场故障风机为对象，并对采集的故障信号进行EMD分解得到固有模态函数（IMF）分量，然后对其进行
特黄变换在风机故障诊断的应用 本文内容：
摘要：本文提出了基于经验模态分解（EMD）的风机故障诊断的希尔伯特黄变换(Hilbert-HuangTransformation,HHT)方法，介绍了Hilbert-Huang变换理论及其算法。此后以一台现场故障风机为对象，并对采集的故障信号进行EMD分解得到固有模态函数（IMF）分量，然后对其进行HHT变换处理，所得边际谱图中较为清晰地识别故障信息，验证了该方法的在实际工程应用的适用性。
关键词：故障诊断；Hilbert-Huang变换；风机；边际谱
风机设备广泛应用于工厂、矿井、建筑物的通风、除尘、冷却等，工况恶劣且存在交变载荷，当其出现故障时，会影响相关设备的运行安全，所以从复杂噪声背景下识别设备故障信息就显得尤为重要。希尔伯特变换（HHT）方法是近年来新的信号处理方法，是先把时域原始数据通过经验模态分解（EmpiricalModeDecomposition，EMD）为若干个固有模态函数（IntrinsicModeFunction，IMF）之和，然后对每一个IMF进行希尔伯特变换获得频谱的信号处理新方法[1]。因此，EMD从根本上克服了傅立叶变换的整体变换方法，即在提取信号频谱时，需要利用信号的全部时域信息，缺少时域定位功能的局限性，具有自适应性。本文拟把基于EMD的这一时频分析方法用于旋转机械故障诊断领域。
1Hilbert-Huang变换基本原理
1.1HHT变换EMD方法与相应的时-频谱—Hilbert谱统称为Hilbert-Huang变换[2]。基本过程是：首先利用EMD方法将给定的信号分解为若干固有模态函数（IMF），这些IMF是满足一定条件的分量；然后，对每一个IMF进行Hilbert变换，得到相应的Hilbert谱，即将每个IMF表示在联合的时频域中[3]；最后，汇总所有IMF的Hilbert谱就会得到原信号的Hilbert谱。1.2经验模态（EMD）分解经验模态分解往往被称为是一个“筛选”过程。这个筛选过程依据信号特点自适应地把任意一个复杂信号分解为一系列本征模态函数（IMF）。满足如下两个条件：①信号极值点的数量与零点数相等或相差是一；②信号的由极大值定义的上包络和由极小值定义的下包络的局部均值为零。1.3希尔伯特变换本征模态函数的瞬时频率（InstantaneousFrequency，IF）有着明确的物理意义。因此，经验模态分解后,对每一个IMF作希尔伯特变换（HilbertTransform，HT），继而可求取每一个IMF的瞬时频率。综合上述两步，原信号表达为，为一个时间-频率-能量三维分布图[4]。
2风机故障诊断实例
[5][6][7]某大型风机设备出现较大振动，用便携式振动分析监测仪对风机进行振动测量，分别在风机转子联轴器两端的水平、垂直和轴向方向上安装加速度传感器，如图1所示。其中风机电机的主要参数：电机额定功率：5500kW，电机转速：1000r/min。振动分析监测仪采样频率为10240Hz，采样点数为8192。由于风机传动系统无减速机，由额定转速推断出风机系统的一倍转频为1000/60=16.67Hz，为分析方便，写出1倍转频对应的2倍频、3倍频、4倍频分别为33.34Hz，50.01Hz，66.68Hz。监测仪采集振动信号的时域图（时域波形）较杂乱无章，不能反映故障特征，图2是经验模态分解图，IMF1~IMF9是从高频到低频的模态分量，r9是残余信号。由图3的风机的边际谱图中，可以清楚的看到两个尖峰状信号：16.68Hz和33.36Hz。这是由于风机转子由一般采用刚性和半挠性联轴器连接，较容易产生转子轴线之间存在径向跳动现象，因此当转子高速旋转时，产生较大的离心力，激励转子产生径向跳动，其振动频率为转子基频的2倍，结果和理论分析计算相一致。综上所述可以看出,EMD分解的HHT方法可以在复杂噪声背景下清晰的分辨出符合实际的频率特征，即低频信号幅值大,能量高；高频信号幅值低频信号幅值小,能量低，且对信号具有较强自适应性。从边际谱图的可以看出详细的幅值，如图3所示，在16.68Hz幅值对应着从动转子的基频16.67Hz，而33.36Hz则对应从动转子的2倍频，而基本幅值（能量）要大于2倍频，由此可以推断联轴器出现角度不对中和轻微的平行不对中故障。在随后的检修后，也验证了此判断。
3结论
本文通过EMD分解的HHT方法对风机实测信号的分析应用，通过对风机这种非线性、非平稳的信号的处理，能够较准确的识别故障的位置，且频谱图的时域和频域分辨率是相互独立的，这一特点尤其适用于低频信号的辨识。
作者：郝东升 单位：湖北省引江济汉工程管理局
特黄变换在风机故障诊断的应用 来源：网络整理
免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。
相关文章