基于希尔伯特-黄变换的滚动轴承早期故障特征提取.docxVIP

PAGE2

基于希尔伯特-黄变换的滚动轴承早期故障特征提取

摘要

滚动轴承作为旋转机械的核心部件，其早期故障微弱特征易被强噪声掩盖，传统频域分析方法难以有效提取。本课题旨在设计一套基于希尔伯特-黄变换（HHT）的早期故障特征提取系统，解决非平稳振动信号的特征衰减问题。

核心方案采用经验模态分解（EMD）将信号分解为固有模态函数（IMF），并计算IMF能量熵以构建敏感特征向量，最终实现内圈、外圈及滚动体故障的精准识别。全文遵循工程递进思路展开：首先进行需求分析，明确诊断精度与实时性指标；其次开展总体与详细设计，规划数据流架构与核心算法逻辑；随后实现系统并重点攻克模态混叠与端点效应难题；最终通过实测数据验证系统有效性。

本设计的核心创新在于将IMF能量熵作为多维特征指标，克服了单一频带能量波动导致的误判局限，显著提升了早期微弱故障的识别鲁棒性。

第一章绪论

1.1研究背景

滚动轴承广泛应用于航空发动机、高铁牵引电机等高端装备中，其运行状态直接影响整机安全。据统计，旋转机械30%以上的故障由轴承损伤引发。由于工作环境恶劣，轴承极易产生疲劳剥落、裂纹等早期局部损伤。

早期故障特征极其微弱，振动信号表现出强烈的非平稳与非线性特征。现场工况中，强大的背景噪声与多部件谐波干扰交织，导致故障冲击特征在频域中被严重淹没。传统快速傅里叶变换（FFT）依赖全局平稳假设，无法匹配瞬态冲击的时变特