EEMD与Hilbert边际谱结合的齿轮箱故障诊断

"基于改进的HHT边际谱齿轮箱故障诊断" 本文主要探讨了一种改进的齿轮箱故障诊断方法，该方法结合了聚合经验模态分解（EEMD）和希尔伯特边际谱（Hilbert Marginal Spectrum）技术，旨在解决传统经验模态分解（EMD）中的波形混叠问题，从而提高故障诊断的准确性。 在实际的齿轮箱故障诊断中，由于齿轮箱工作环境恶劣，常常伴随着非平稳和非高斯性的振动信号，这些信号还包含了大量背景噪声。小波分析因其优秀的时频局部化特性和降噪能力，被广泛用于信号预处理。文章首先利用小波阈值分析对齿轮箱的振动信号进行降噪处理，这有助于提高后续EEMD分解的精度，确保分解出的内在模态函数（IMF）更加纯净。 接着，文章引入了聚合经验模态分解（EEMD）来替代传统的EMD。EEMD是一种自适应的信号分解方法，能更好地处理非线性和非平稳信号，有效地避免了EMD中的模态混叠现象。通过EEMD分解，可以得到一系列IMF分量，这些分量分别代表了信号的不同频率成分。通过对正常状态和故障状态下的振动信号进行EEMD分解，并比较其IMF分量，可以揭示故障状态的独特特征。 在预处理和分解之后，文章进一步采用了Hilbert变换来获取信号的瞬时频率信息。Hilbert边际谱是Hilbert变换的一种应用，它能够直观地展示信号在时间域上的瞬时频率分布，对于识别故障特征频率尤为有用。通过计算两种工况（正常与故障）的边际谱，可以准确地定位故障信号的故障频率，从而实现对齿轮箱故障的精确诊断。 研究结果显示，该改进方法在减少模态混叠现象上表现出显著的效果，提高了故障诊断的准确率。这种方法不仅适用于齿轮箱，而且可以推广到其他类似的机械设备故障诊断领域，具有重要的理论和实践意义。 参考文献列举了相关领域的研究，包括矿用提升机盘式制动器设计、工程力学和互换性与测量技术，显示了本文的理论基础和技术来源。作者简介部分介绍了主要作者的背景和研究领域，强调了其在矿山设备检修管理方面的实践经验。 本文提出了一种创新的故障诊断技术，通过EEMD和Hilbert边际谱的结合，增强了对齿轮箱故障的检测能力，对于保障工业设备的正常运行和降低维修成本具有重要意义。