优化HHT端点效应的新方法  

A New Method to Optimize Endpoint Effect in HHT

作　　者：赵军[1] 李林峰[1] 郭天太[1] 王道档[1] 孔明[1] 

机构地区：[1]中国计量学院计量测试工程学院

出　　处：《计量学报》2016年第5期509-514,共6页Acta Metrologica Sinica

基　　金：国家自然科学基金(51375467);质检公益性行业科研专项(201410009);浙江省公益性技术应用研究计划项目(2013C31098)

摘　　要：在旋转机械的故障诊断中，希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析，然而，在HHT中会出现端点效应问题，且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题，提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓，再进行经验模式分解（EMD）。通过仿真与故障实验，在时域、频域和希尔伯特-黄谱的相关参数的情况下，对比镜像延拓优化的HHT分解结果，验证了所提方法的有效性。实验结果表明：所述方法能够有效地抑制HHT中的端点效应，且减轻了模态混叠和虚假IMF分量，同时能准确地表现信号的真实结构成分。In fault diagnosis of rotating machinery, Hilbert-Huang transform （HHT） is often used to extract the fault characteristic signal and analyze decomposition results in time-frequency analysis. However, end effect occurs in HHT, which leads to a series of problems such as modal aliasing and false intrinsic mode function（IMF）. To solve this problem, a novel method to optimize end effect in HHT through combination of generalized regression neural network （GRNN） and boundary local characteristic-scale continuation （BLCC） to extend signal is proposed, then followed by empirical mode decomposition （EMD）. Simulation and measurement experiment for the conditions of time domain, frequency domain and related parameters of Hilbert-Huang spectrum verified the effectiveness of the proposed method through comparison with the results obtained by mirror continuation. The experimental results show that the method can effectively inhibit end effect, reduce modal aliasing and false IMF components, and accurately show the real structure of signal components.

关 键 词：计量学 故障诊断 旋转机械 希尔伯特-黄变换 端点效应 模态混叠 边界局部特征尺度延拓法 广义回归神经网络 

分 类 号：TB936[一般工业技术—计量学] TB973[机械工程—测试计量技术及仪器]