HHT提取礦井風機振動信號特征分量

玄兆燕，李曉康

(華北理工大學 機械工程學院，河北 唐山 063000)

?

HHT提取礦井風機振動信號特征分量

玄兆燕，李曉康

(華北理工大學 機械工程學院，河北 唐山 063000)

礦井風機；特征分量；傅里葉變換；希爾伯特-黃變換

對礦井風機故障信息的提取以及尋求有效的分析判斷方法，已成為煤礦生產(chǎn)和故障診斷方面迫切需要解決的問題。由于獲取礦井風機振動信號的特殊性，致使有效的振動信號被大量干擾信號所淹沒，給特征分量的提取及故障診斷帶來很大困難。該項研究應用希爾伯特-黃變換(HHT)提取礦井風機振動信號特征分量，并與FFT分析方法進行比較。研究結果表明：HHT方法與FFT方法相比可更有效提取風機振動信號特征分量。

礦井風機在煤礦作業(yè)中起到至關重要的作用，它工作狀態(tài)正常與否直接影響著礦井通風質量[1]。而如何及時發(fā)現(xiàn)故障征兆已成為煤礦故障診斷方面迫切需要解決的問題。機械故障診斷的關鍵是獲取有效的故障特征信號[2]，對于礦井風機而言就是獲取其振動信號，而對大型旋轉設備的異常振動信號進行分析有重要意義[3]。振動信號獲取的途徑是使傳感器接觸能直接反應振動信息的位置，為了保障煤礦生產(chǎn)的安全，要求礦井風機機殼禁止發(fā)生任何形式的損壞，因此只能將傳感器置于機殼上間接獲取轉子的振動信息，這種信息獲取方式在獲取振動信息的同時又伴隨著大量的干擾信息[4]。

由此可知，獲取的礦井風機振動信號具有非線性、非平穩(wěn)性并包含大量的高頻干擾信號，給振動信號特征提取帶來了一定程度上的困擾。基于此，該項研究提出將時頻分析方法HHT運用于礦井風機故障診斷領域，以便準確有效地提取礦井風機振動信號特征分量。

1 Hilbert-Huang變換原理

1.1 經(jīng)驗模態(tài)分解EMD原理

(1)確定時間序列X(t)的局部極大值、局部極小值；

(2)將X(t)的局部極大值、極小值分別采用三次樣條曲線擬合，形成上、下包絡線Xmax(t)、Xmin(t)，計算X(t)上、下包絡線的均值m(t)；

(4)重復過程(1)～(3)，直到殘余函數(shù)r(t)為單調函數(shù)或常數(shù)為止。

到此，時間X(t)序列經(jīng)EMD分解成若干IMF分量和一個殘余函數(shù)，其可表示為：

(1)

以上方法即為經(jīng)驗模態(tài)分解。

1.2 希爾伯特變換(HHT)原理

對每個本征模函數(shù)(IMF)進行Hilbert變換，把式(1)的i改為j得：

(2)

(3)

自媒體時代的到來，開啟了信息傳播的新紀元，各大宗教資訊網(wǎng)站紛紛上線弘揚各教法旨。2017年5月11日，武當山特此舉行新媒體論壇會議，會上表達了微信、微博及互聯(lián)網(wǎng)等新媒體對景區(qū)影響力的重要性，以及如何運用新媒體對武當山景區(qū)進行宣傳和營銷，武當山景區(qū)對自媒體營銷的運用越來越密集，營銷理念越來越年輕化。

(4)

其中：

(5)

于是得：

(6)

式中：

Re—取實部。

瞬時頻率為：

(7)

可得：

(8)

(9)

根據(jù)式(9)可以把時間t、頻率ωj和幅值aj畫在1個三維圖上，把振幅用灰度的形式顯示在頻率—時間平面上，就可以得到Hilbert譜[7]。

2 礦井風機振動信號特征分量的提取

選取某煤礦井1號風機第3號監(jiān)測點在2013年7月14日14:00時采集的瞬時振動信號作為分析對象，該點采樣頻率為1 024 Hz，采樣點數(shù)為512；風機額定轉速為1 000 rpm，基頻(轉頻)分量為16.7 Hz。

圖1 原始信號波形圖

圖1為原始數(shù)據(jù)波形圖，從圖中可以看出，該原始信號中出現(xiàn)劇烈波動以及大量高幅值點，含有大量高頻干擾成分并且具有明顯的非平穩(wěn)性。

2.1 基于FFT特征分量的提取

采用FFT對原始信號進行初步分析，得出信號頻譜圖，如圖2所示。

圖2 原始信號FFT譜圖

其中橫坐標代表頻率(Hz)，縱坐標代表振幅(mm/s)。從圖中可以看出原始信號中出現(xiàn)基頻特征，但也存在50 Hz、70 Hz、100 Hz等大量高頻成分，特征信號淹沒在其中，直接使用FFT方法很難識別。

2.2 基于HHT特征分量的提取

EMD方法是一種自適應的信號處理方法，具有很高的信噪比。為保證精度，將原始信號分解成8個IMF分量及1個殘余分量，分解結果如圖3所示。

圖3 EMD分解

其中第1層是原始信號，從圖中可以看出前三階分量有的明顯不規(guī)則波動，后面波形逐漸趨于緩和，這表明原始信號中高頻部分的特性在前三階分量中得到反映，而中低頻部分的特性后幾階分量中得到反映。EMD分解能夠將信號中低高頻信號分離出來，并反映在IMF分量中，同時也證明了原始信號中包含了大量的高頻信號，干擾信號淹沒在高頻信號中，直接采用FFT變換很難識別信號特征。

通過EMD分解得到原始信號的本征模函數(shù)(IMF)，對每個本征模函數(shù)進行Hilbert變換，得到Hilbert譜圖，結果如圖4所示：

圖4 Hilbert譜圖

由于篇幅原因，在此只顯示出前4層Hilbert頻譜圖，其中橫坐標表示時間(s)，縱坐標表示頻率(Hz)，其他頻譜圖分析結果如表1表示。Hilbert譜展示每個頻率在整個時間域上能量的積，其中IMF1中信號大部分分布在150 Hz以上，圖中信號分布散亂且顏色較淺所含能量較低，并且頻率在基頻(16 Hz)10倍以上，由此判斷其為干擾信號；IMF2中信號集中在50～350 Hz之間，同理根據(jù)Hilbert譜圖判斷不是特征信號；從圖6開始信號分布趨于平緩且連續(xù)，有明顯主導頻率，分析其頻率結果如表1所示。

表1 IMF3～IMF8分量頻率分析結果

通過頻率分析，IMF4頻率為17.1 Hz，與理論基頻頻率16.7 Hz基本吻合，在允許的誤差范圍內同時存在倍頻和分頻，同時證明第3至第8層分量反映了風機振動信號的特征，信號各特征頻率得到有效分離。

根據(jù)Hilbert頻譜圖分析得知有1倍頻(17.1 Hz)、5倍頻(65.8 Hz)、1/8倍頻(9.05 Hz)、1/4倍頻(4.02 Hz)、1/2倍頻(2.05 Hz)的出現(xiàn)，判斷礦井風機有連接松動、碰膜、油膜渦動等故障趨勢，應及時采取措施避免事故發(fā)生。

3 結論

礦井風機振動信號中含有大量的高頻干擾信號并將特征信號淹沒，直接采用FFT變換難以區(qū)分高頻信號與干擾信號，基于EMD的HHT方法將信號低中高頻率分層開來，很好地反映信號的時頻分布特性，有效地排除干擾信號并提取信號中特征分量，與傳統(tǒng)FFT變換相比具有很大優(yōu)越性。

[1]劉明譚, 馮明遠, 謝米羅. 煤礦通風機在線監(jiān)測系統(tǒng)的研究與應用[J]. 中州煤炭, 2012, 5(6):29-34.

[2]楊叔子, 史鐵林, 丁洪. 機械設備診斷的理論、技術與方法[J]. 振動工程學報, 1992, 5(3):193-201.

[3]丁濤, 王芳, 任工昌. 旋轉機械故障診斷研究現(xiàn)狀[J]. 機械設計與制造, 2009, 5(12):259-261.

[4]玄兆燕, 薛琦, 謝世滿. 礦井風機在線監(jiān)測與故障診斷系統(tǒng)設計[J]. 煤礦機械, 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, 馮志鵬, 等. 機械故障診斷中的現(xiàn)代信號處理方法[M]. 北京:科學出版社, 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