基于Hilbert-Huang与AR模型的滚动轴承故障诊断方法

本文主要探讨了一种结合Hilbert-Huang变换(HHT)和自回归(AR)模型的滚动轴承故障诊断方法。Hilbert-Huang变换是一种时频分析工具，特别适用于非线性、非平稳信号处理，它能够有效地将复杂的振动信号分解成一系列平稳的成分，即瞬时幅度和瞬时频率。这种方法首先对滚动轴承产生的振动信号进行HHT分解，得到各个成分的瞬时特性。 通过HHT，作者提取了每一个成分的瞬时幅值和瞬时频率，这两个特征参数提供了关于轴承运行状态的重要信息。接着，对这些瞬时幅值和频率序列，构建了AR模型，这是一种时间序列分析方法，用于预测未来的值并捕捉数据中的内在规律。AR模型的主要参数，如自回归系数，以及残差的方差，被用来构建特征向量，这些向量成为了区分不同工作状态和故障类型的依据。 特征向量的选择和计算是关键步骤，因为它们能反映信号的时间动态特性。作者构建了一个基于AR模型参数和残差方差的距离判别函数，用于定量评估轴承的工作状态和故障类型。这个函数能够提供一个量化标准，使得故障诊断更为准确和可靠。 实验结果显示，该方法在滚动轴承故障诊断上表现出较高的准确性和灵敏度，能够在早期识别出轴承的潜在问题，为及时维护和预防性维修提供了强有力的支持。关键词包括Hilbert-Huang变换、瞬时幅值、瞬时频率、AR模型、特征向量和距离判别函数。 这篇论文提供了一种创新的滚动轴承故障诊断策略，利用HHT的时频分析能力和AR模型的预测能力，为工业界提供了一种有效的故障检测和预警工具，对于提高设备运行效率和延长使用寿命具有重要意义。