希尔伯特-黄变换在表音故障诊断的应用

发布时间：2021-08-11 17:25

　　针对钟表表音信号提取与分析存在较大困难的问题,提出了双麦克降噪采集装置和基于经验模态分解的手表表音希尔伯特-黄变换（Hilbert-Huang）方法。该方法提取机械手表的故障信号进行经验模态分解,进而对内禀函数进行希尔伯特变换得到希尔伯特谱和希尔伯特边际谱。仿真实验结果表明,边际谱能识别出故障信息,该方法能够定位误差并实现故障诊断。 

【文章来源】：工业控制计算机. 2020,33(01)

【文章页数】：3 页

【部分图文】：

杠杆式擒纵装置

如图2所示，双麦克风阵列原理是：手表表音通过主麦克风A输入，然而采集到的表音信号存在外界的噪声，此时次麦克风B将主要采集到外部噪声，其采集的噪声信号是与A采集到的一致的。所以，想要得到纯净的表音信号，主麦克风A采集的信号与次麦克风B采集的信号做差值，得到的即为表音信号。然而，需要通过放大器进一步放大，所以本文采用的是差分放大器，输出信号输入到电脑并做进一步频谱分析。2 希尔伯特-黄变换

由于傅里叶变换的时域变换研究信号的全面频谱情况以及小波变换多分辨的特性被广泛用于旋转机械故障诊断中，但由于过分依赖于小波基的选择，对于信号处理的自适应不够。经验模态分解（EMD）可以根据数据自身的时间尺度特征来进行信号分解，逐渐成为故障处理领域的重要方法[4]。EMD分解信号的基本过程为：非平稳的信号X(t）可以看作为由数量有限的IMF函数构成的，而每个IMF函数的特点是必须具有相同数量的极值点和过零点。如图3所示。得到的新的序列h1，如果h1满足内禀函数的特点，则h1为第一个IMF函数，否则，重复上述步骤，直至满足为止。经历k次分解后，得到h1k满足要求，记c1=h1k。将c1从x(t）中分离，得到：

【参考文献】：
期刊论文
[1]希尔伯特黄变换在风机故障诊断的应用[J]. 郝东升.  内燃机与配件. 2019(16)
[2]压缩感知的稀疏字典学习在信号重建中的应用[J]. 朱春进,沈振军,张瑞杰.  工业控制计算机. 2019(04)
[3]一种改进的Hilbert-Huang变换方法及其应用[J]. 周小龙,刘薇娜,姜振海,马风雷.  工程科学与技术. 2017(04)
[4]一种EMD端点改进方法及其在表音分析中的应用[J]. 郑迪,沈振军.  自动化技术与应用. 2016(07)



本文编号：3336577