HHT提取矿井风机振动信号特征分量

玄兆燕，李晓康

(华北理工大学 机械工程学院，河北 唐山 063000)



HHT提取矿井风机振动信号特征分量

玄兆燕，李晓康

(华北理工大学 机械工程学院，河北 唐山 063000)

矿井风机；特征分量；傅里叶变换；希尔伯特-黄变换

对矿井风机故障信息的提取以及寻求有效的分析判断方法，已成为煤矿生产和故障诊断方面迫切需要解决的问题。由于获取矿井风机振动信号的特殊性，致使有效的振动信号被大量干扰信号所淹没，给特征分量的提取及故障诊断带来很大困难。该项研究应用希尔伯特-黄变换(HHT)提取矿井风机振动信号特征分量，并与FFT分析方法进行比较。研究结果表明：HHT方法与FFT方法相比可更有效提取风机振动信号特征分量。

矿井风机在煤矿作业中起到至关重要的作用，它工作状态正常与否直接影响着矿井通风质量[1]。而如何及时发现故障征兆已成为煤矿故障诊断方面迫切需要解决的问题。机械故障诊断的关键是获取有效的故障特征信号[2]，对于矿井风机而言就是获取其振动信号，而对大型旋转设备的异常振动信号进行分析有重要意义[3]。振动信号获取的途径是使传感器接触能直接反应振动信息的位置，为了保障煤矿生产的安全，要求矿井风机机壳禁止发生任何形式的损坏，因此只能将传感器置于机壳上间接获取转子的振动信息，这种信息获取方式在获取振动信息的同时又伴随着大量的干扰信息[4]。

由此可知，获取的矿井风机振动信号具有非线性、非平稳性并包含大量的高频干扰信号，给振动信号特征提取带来了一定程度上的困扰。基于此，该项研究提出将时频分析方法HHT运用于矿井风机故障诊断领域，以便准确有效地提取矿井风机振动信号特征分量。

1 Hilbert-Huang变换原理

1.1 经验模态分解EMD原理

(1)确定时间序列X(t)的局部极大值、局部极小值；

(2)将X(t)的局部极大值、极小值分别采用三次样条曲线拟合，形成上、下包络线Xmax(t)、Xmin(t)，计算X(t)上、下包络线的均值m(t)；

(4)重复过程(1)～(3)，直到残余函数r(t)为单调函数或常数为止。

到此，时间X(t)序列经EMD分解成若干IMF分量和一个残余函数，其可表示为：

(1)

以上方法即为经验模态分解。

1.2 希尔伯特变换(HHT)原理

对每个本征模函数(IMF)进行Hilbert变换，把式(1)的i改为j得：

(2)

(3)

自媒体时代的到来，开启了信息传播的新纪元，各大宗教资讯网站纷纷上线弘扬各教法旨。2017年5月11日，武当山特此举行新媒体论坛会议，会上表达了微信、微博及互联网等新媒体对景区影响力的重要性，以及如何运用新媒体对武当山景区进行宣传和营销，武当山景区对自媒体营销的运用越来越密集，营销理念越来越年轻化。

(4)

其中：

(5)

于是得：

(6)

式中：

Re—取实部。

瞬时频率为：

(7)

可得：

(8)

(9)

根据式(9)可以把时间t、频率ωj和幅值aj画在1个三维图上，把振幅用灰度的形式显示在频率—时间平面上，就可以得到Hilbert谱[7]。

2 矿井风机振动信号特征分量的提取

选取某煤矿井1号风机第3号监测点在2013年7月14日14:00时采集的瞬时振动信号作为分析对象，该点采样频率为1 024 Hz，采样点数为512；风机额定转速为1 000 rpm，基频(转频)分量为16.7 Hz。

图1 原始信号波形图

图1为原始数据波形图，从图中可以看出，该原始信号中出现剧烈波动以及大量高幅值点，含有大量高频干扰成分并且具有明显的非平稳性。

2.1 基于FFT特征分量的提取

采用FFT对原始信号进行初步分析，得出信号频谱图，如图2所示。

图2 原始信号FFT谱图

其中横坐标代表频率(Hz)，纵坐标代表振幅(mm/s)。从图中可以看出原始信号中出现基频特征，但也存在50 Hz、70 Hz、100 Hz等大量高频成分，特征信号淹没在其中，直接使用FFT方法很难识别。

2.2 基于HHT特征分量的提取

EMD方法是一种自适应的信号处理方法，具有很高的信噪比。为保证精度，将原始信号分解成8个IMF分量及1个残余分量，分解结果如图3所示。

图3 EMD分解

其中第1层是原始信号，从图中可以看出前三阶分量有的明显不规则波动，后面波形逐渐趋于缓和，这表明原始信号中高频部分的特性在前三阶分量中得到反映，而中低频部分的特性后几阶分量中得到反映。EMD分解能够将信号中低高频信号分离出来，并反映在IMF分量中，同时也证明了原始信号中包含了大量的高频信号，干扰信号淹没在高频信号中，直接采用FFT变换很难识别信号特征。

通过EMD分解得到原始信号的本征模函数(IMF)，对每个本征模函数进行Hilbert变换，得到Hilbert谱图，结果如图4所示：

图4 Hilbert谱图

由于篇幅原因，在此只显示出前4层Hilbert频谱图，其中横坐标表示时间(s)，纵坐标表示频率(Hz)，其他频谱图分析结果如表1表示。Hilbert谱展示每个频率在整个时间域上能量的积，其中IMF1中信号大部分分布在150 Hz以上，图中信号分布散乱且颜色较浅所含能量较低，并且频率在基频(16 Hz)10倍以上，由此判断其为干扰信号；IMF2中信号集中在50～350 Hz之间，同理根据Hilbert谱图判断不是特征信号；从图6开始信号分布趋于平缓且连续，有明显主导频率，分析其频率结果如表1所示。

表1 IMF3～IMF8分量频率分析结果

通过频率分析，IMF4频率为17.1 Hz，与理论基频频率16.7 Hz基本吻合，在允许的误差范围内同时存在倍频和分频，同时证明第3至第8层分量反映了风机振动信号的特征，信号各特征频率得到有效分离。

根据Hilbert频谱图分析得知有1倍频(17.1 Hz)、5倍频(65.8 Hz)、1/8倍频(9.05 Hz)、1/4倍频(4.02 Hz)、1/2倍频(2.05 Hz)的出现，判断矿井风机有连接松动、碰膜、油膜涡动等故障趋势，应及时采取措施避免事故发生。

3 结论

矿井风机振动信号中含有大量的高频干扰信号并将特征信号淹没，直接采用FFT变换难以区分高频信号与干扰信号，基于EMD的HHT方法将信号低中高频率分层开来，很好地反映信号的时频分布特性，有效地排除干扰信号并提取信号中特征分量，与传统FFT变换相比具有很大优越性。

[1]刘明谭, 冯明远, 谢米罗. 煤矿通风机在线监测系统的研究与应用[J]. 中州煤炭, 2012, 5(6):29-34.

[2]杨叔子, 史铁林, 丁洪. 机械设备诊断的理论、技术与方法[J]. 振动工程学报, 1992, 5(3):193-201.

[3]丁涛, 王芳, 任工昌. 旋转机械故障诊断研究现状[J]. 机械设计与制造, 2009, 5(12):259-261.

[4]玄兆燕, 薛琦, 谢世满. 矿井风机在线监测与故障诊断系统设计[J]. 煤矿机械, 2014, 35(12):286-288.

[5]Norden E, Huang Z S, Steven R L, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Procedures of the Royal Society of London, Series A, 1998, 5(9):903-995.

[6]Huang N E, Shen Z, Long S R. A new view of nonlinear water waves: The Hilbert spectrum[J]. Annual Review of Fluid Mechanics, 1999, 3(1):417-445.

[7]褚福磊, 彭志科, 冯志鹏, 等. 机械故障诊断中的现代信号处理方法[M]. 北京:科学出版社, 2009.

Extracting of Vibration Signal Characteristic Component of Mine Fan with HHT

XUAN Zhao-yan, LI Xiao-kang

(College of Mechanical Engineering, North China University of Science and Technology, Tangshan Hebei 063009,China)

mine ventilator; feature component; Fourier Transfrom; Hilbert-Huang Transfrom

It is an urgent problem that the extraction of mine ventilators' fault information and the search for effective methods of analysis and judgment in coal mine production and fault diagnosis. Because of the particularity of getting mine ventilators' vibrating signals, there are a lot of jamming-signal-interference in effective vibration signals which caused a great difficulty in extraction of feature components and fault diagnosis. The study not only uses Hilbert-Huang Transfrom to extract the features of mine ventilators' vibration signals but also compares it with FFT analysis methods. The results show that: HHT method is more effective compared with FFT method in the extraction of mine ventilators' feature components of vibration signals.

2095-2716(2016)01-0034-05

2015-10-13

2015-12-14

TH43

A