HHT算法在船舶軸系扭振監(jiān)測系統(tǒng)中的應用

摘要：在分析實際測量信號的具體特征時，經(jīng)常采用EMD分解法獲取信號的各特征分量，但用此方法得到的各IMF分量包含了混疊模態(tài)信號，導致后續(xù)分解過程困難。為解決模態(tài)混疊現(xiàn)象對信號特征分析結果的影響，文章對中船重工某研究所采集到的某5缸機船舶軸系振動監(jiān)測數(shù)據(jù)信息分別利用EMD分解方法和改進EMD分解方法即集合經(jīng)驗模態(tài)分解法（EEMD）對其進行處理分析，從而驗證了EEMD分解方法具有抗模態(tài)混疊的優(yōu)越性能。最后，文章對分解的各IMF分量進行HHT變換，得到各信號的邊際譜特征。

關鍵詞：EMD；EEMD；扭振監(jiān)測

中圖分類號：TN911.72 "文獻標志碼：A

0 引言

引起船舶軸系發(fā)生扭轉(zhuǎn)振動效果的因素有很多，一般情況下將軸系產(chǎn)生扭振現(xiàn)象的原因歸結為短暫的沖擊和系統(tǒng)的瞬變影響2個方面［1］。如外界的干擾、系統(tǒng)負載變化、系統(tǒng)工況變化以及啟動、制動和停車等瞬態(tài)操作，另外機電系統(tǒng)的耦合也是影響因素之一。雖然船舶軸系產(chǎn)生的扭振現(xiàn)象維持時間較短且基本不會產(chǎn)生較大的噪聲，也不會引發(fā)船體機械結構的劇烈振動，但是振動產(chǎn)生后對軸系的影響效果會一直累積加強，嚴重時會形成裂紋甚至是軸系斷裂。因此，對船舶軸系的監(jiān)測就顯得尤為重要。而要實現(xiàn)對軸系在發(fā)生振動時船舶運行狀態(tài)的準確判斷，首先要完成軸系扭振信號的準確監(jiān)測與正確的數(shù)據(jù)分析。

1 HHT算法應用

1.1 經(jīng)驗模態(tài)分解

Hilbert-Huang變換是一種基于瞬時頻率的信號時頻處理方法。該方法克服了傅里葉變換、小波變換等傳統(tǒng)信號分析方法在信號分析處理過程中的不足，能夠自適應地處理非線性、非平穩(wěn)信號［2］。具體過程一般由2部分組成，首先，利用經(jīng)驗模態(tài)分解法，將待分析信號分解為幾個平穩(wěn)的固有模態(tài)函數(shù)，此步驟分解得到的IMF分量描述了信號的局部振蕩特征與頻率特征；其次，對各階IMF分量進行Hilbert變換以獲取信號頻譜圖和Hilbert邊際圖［3］。

經(jīng)驗模態(tài)分解的本質(zhì)是將一個隨機信號依據(jù)一定條件，分解為一組互不相同且互不干擾的IMF分量的過程。其分解過程基于如下假設條件：

（1）待分解信號中至少存在一個極大值點和一個極小值點；

（2）待分解信號中相鄰的一組極大值與極小值之間的時間間隔被稱為信號的特征時間尺度；

（3）若待分解信號中的極值點個數(shù)不足，但數(shù)據(jù)段中存在奇異點，則可對該段數(shù)據(jù)通過一次或多次求導數(shù)以得到新的極值點。

1.2 固有模態(tài)函數(shù)

通常在對實測信號數(shù)據(jù)的分析中，監(jiān)測數(shù)據(jù)中往往含有不止一種振蕩模式，因此，利用傳統(tǒng)的Hilbert變換無法分解得到信號的所有頻率信息。對此，Huang等［4-5］通過對瞬時頻率的進一步研究，提出了固有模態(tài)函數(shù)（IMF）的概念，認為任意信號都可以看作是由有限個IMF分量疊加形成的，其中的每一個IMF都代表了該信號包含的一種頻率特征。Huang等［4-5］認為具有良好性質(zhì)的IMF分量必須滿足以下2個條件：

（1）在定義域內(nèi)，要求整個信號中的極值點總數(shù)與過零點的總數(shù)相等或最多相差一個；

（2）在任意時刻，信號數(shù)據(jù)的局部極大值和極小值所構造的上、下包絡線應該關于時間軸嚴格對稱。

因為固有模態(tài)函數(shù)中的每階IMF分量在各周期內(nèi)只含一種頻率成分，所以利用固有模態(tài)函數(shù)分量能完整地表現(xiàn)出信號中含有的頻率特征。

在用Hilbert-Huang變換法分析非平穩(wěn)信號的過程中，通常采用EMD分解法獲取信號的各特征分量，但是采用該方法分析幅值波動較大的高頻小幅值信號、多頻率信號共存的混合信號以及含有大量噪聲的非平穩(wěn)信號時，由于信號中存在異常事件會使得信號的極值點分布不均勻，從而導致無法得到單一信號特征的IMF分量。一般得到的IMF分量結果中均包含有原始信號的固有模態(tài)函數(shù)分量和異常事件或者包含了相鄰特征時間尺度的固有模式，因此，存在模態(tài)混疊現(xiàn)象［6］，會增加后續(xù)分解過程的困難程度。為了解決模態(tài)混疊現(xiàn)象對信號特征分析結果的影響，眾多學者采用在原始信號中加入新信號成分的方法來抑制分解過程中異常事件對分析結果的影響，為了確保分析結果的嚴謹性，新加信號成分最好可以在分解過程中能夠自動抵消，不會給原始信號帶來大的影響。針對原始EMD分解方法存在的不足，法國的Handrin等［7］在利用原始的經(jīng)驗模態(tài)分解法對白噪聲分解后的結果進行統(tǒng)計分析的基礎上，提出了一種基于輔助噪聲數(shù)據(jù)分析的改進EMD方法。Huang等［8-9］也在不斷探索分析該類信號的過程中，最終提出了白噪聲加EMD的處理方法，即集合經(jīng)驗模態(tài)分解法（Ensemble Empirical Mode Decomposition，EEMD）。

為了研究HHT算法在船舶軸系扭振監(jiān)測系統(tǒng)中的應用，本文分別利用EMD分解方法和改進EMD分解方法即集合經(jīng)驗模態(tài)分解法（EEMD）對中船重工某研究所采集到的某5缸機船舶軸系振動監(jiān)測數(shù)據(jù)信息進行分解處理，具體過程如下：

1.2.1 采用EMD分解方法處理船舶軸系監(jiān)測數(shù)據(jù)

在MATLAB軟件平臺上，將采集到的軸系扭轉(zhuǎn)角故障信號進行濾波處理之后，依照EMD分解流程，對該組數(shù)據(jù)進行經(jīng)驗模態(tài)分解，得到對應的各階IMF分量，如圖1所示。

1.2.2 采用改進EMD分解方法處理船舶軸系監(jiān)測數(shù)據(jù)

在MATLAB軟件平臺上，將采集到的故障信號經(jīng)過濾波處理之后，依照如下EEMD分解流程，對數(shù)據(jù)信息進行集合經(jīng)驗模態(tài)分解，得到該信息的各階IMF分量，如圖2所示。

步驟一：設定該組信號執(zhí)行EEMD分解的次數(shù)為M=100；

步驟二：執(zhí)行第m次分解實驗（m初始值設為1）；

（1） 將標準差為5的隨機噪聲疊加到原始信號x（t）上，得到信號xm（t）；

（2） 對信號xm（t）執(zhí)行EEMD分解，得到I個IMF分量；

（3） 判斷mlt;M是否成立，若是則令m=m+1，重復執(zhí)行步驟二，若否則執(zhí)行步驟三；

步驟三：計算最終得到的M組IMF分量的均值，計算結果即為利用改進EMD算法分解得到的IMF分量。

由以上分解結果圖可知，采用傳統(tǒng)EMD分解法得到的IMF1分量無法完整地顯示出原始信號中含有的頻率信息，不能清晰地表達該類信號所包含的物理意義，存在模態(tài)混疊現(xiàn)象。采用本文改進EMD方法分解得到的IMF1分量圖中，很明顯不同頻率特征的信號均被依次提取了出來，分解過程中并未出現(xiàn)模態(tài)混疊現(xiàn)象，圖中信號IMF1表示高頻信號，信號IMF5為低頻信號，分解出的信號具有明顯的物理意義。對比分析圖1和圖2可得，本文改進的EMD分解方法具有抗模態(tài)混疊的優(yōu)越性能。

2 結果分析

2.1 故障信號的Hilbert邊際圖

利用改進后的HHT算法處理船舶軸系扭振故障數(shù)據(jù)，得到如圖3所示的信號Hilbert邊際圖。

用原始HHT算法處理船舶軸系扭振故障數(shù)據(jù)，得到如圖4所示的信號Hilbert邊際圖。

對比圖3和4可得，利用本文改進算法獲取的信號Hilbert邊際圖可明顯看出扭振監(jiān)測數(shù)據(jù)的故障頻率主要分布在5諧次、10諧次附近，對應的頻率幅值大小為0.07，而通過原始算法獲取的信號Hilbert邊際圖則無法準確找到對應的故障頻率。

2.2 正常信號的Hilbert邊際譜分析

利用改進后的HHT算法處理船舶軸系扭振正常數(shù)據(jù)，得到如圖5所示的信號Hilbert邊際圖。由圖5可得正常信號對應的Hilbert邊際圖中能量集中分布在5諧次附近，幅值是0.12，且在該處的幅值大小正常。

對比分析利用本文改進HHT算法求解得到的某5缸機船舶軸系扭振故障數(shù)據(jù)對應的信號邊際圖4及正常數(shù)據(jù)對應的信號邊際圖5可得，利用本文建立的船舶軸系扭振故障監(jiān)測信號特征分析模型可明顯檢測出船舶軸系監(jiān)測信號中的故障數(shù)據(jù)或者正常數(shù)據(jù)。

3 結語

本文對船舶軸系故障振動監(jiān)測信號特征分析模型的建立進行了詳細的闡述，對HHT變換以及改進后的HHT變換在振動監(jiān)測信號特征分析中的應用進行了詳細的分析。在具體分析過程中依據(jù)不同的分析需求，可選取不同的分析方法，當判斷船舶軸系是否發(fā)生故障時可選用改進HHT算法。相比于傳統(tǒng)HHT算法，本文改進的HHT算法能夠更好地提取出船舶軸系扭振故障特征信號，能夠除去Hilbert-Huang變換過程中模態(tài)混疊效應的干擾，從而得到更加清晰的信號頻譜圖，以實現(xiàn)對監(jiān)測數(shù)據(jù)的準確分析。Hilbert-Huang變換具有較強的自適應性且表征信號特征信息的能力較強，能夠更加準確、全面地表現(xiàn)信號的局部與全局特征，因此，在對船舶軸系振動監(jiān)測系統(tǒng)數(shù)據(jù)分析模型的研究與應用中，本文根據(jù)分析數(shù)據(jù)的類型以及實際需求，選取Hilbert-Huang變換法建立相關的分析模型，從而實現(xiàn)了對軸系扭振監(jiān)測數(shù)據(jù)的有效分析，為船舶的安全可靠運行提供保證。

參考文獻

［1］RAJKIRAN U，VINOTH A，JEGADEESAN K，et al. "Lateral and torsional vibration analysis of composite shaft［J］.IOP Conference Series：Materials Science and Engineering，2020（2）：40-52.

［2］劉曉燕.改進的Hilbert-Huang變換在電纜故障檢測中的應用［D］.西安：西安科技大學，2018.

［3］陳曦.Hilbert-Huang變換算法研究及其在紙機軸承故障診斷中的應用［D］.西安：陜西科技大學，2013.

［4］劉曉燕.改進的Hilbert-Huang變換在電纜故障檢測中的應用［D］.西安：西安科技大學，2018.

［5］陳曦.Hilbert-Huang變換算法研究及其在紙機軸承故障診斷中的應用［D］.西安：陜西科技大學，2013.

［6］李光輝.基于希爾伯特黃變換及其改進方法的信號分析研究與應用［D］.成都：成都理工大學，2012.

［7］甄龍信，王云龍，鄧小艷，等.基于集合經(jīng)驗模態(tài)的小波半軟閾值降噪［J］.探測與控制報，2018（5）：53-57.

［8］WU Z H，HUANG N E.Ensemble empirical mode decomposition：a noise assisted data analysis method［J］.Advances in Adaptive Data Analysis，2009（1）：1-41.

［9］周小龍，劉薇娜，姜振海，等.一種改進的Hilbert-Huang變換方法及其應用［J］.工程科學與技術，2017（4）：196-204.

（編輯 王雪芬）

Application of HHT algorithm in ship shafting torsional vibration monitoring system

DANG" Yan， CHEN" Zhi*， LI" Yaneng， GUO" Huiling， DONG" Jing

（School of Computer and Artificial Intelligence， Lanzhou University of Information Science and Technology， Lanzhou 730300， China）

Abstract：" When analyzing the specific characteristics of actual measured signals， EMD decomposition method is often used to obtain each characteristic component of the signal， but each IMF component obtained by this method contains aliasing mode signals， which makes the subsequent decomposition process difficult. In order to solve the influence of mode aliasing phenomenon on the analysis results of signal characteristics， the vibration monitoring data of a 5-cylinder ship shafting collected by a research institute of China Shipbuilding Heavy Industry were processed and analyzed by EMD decomposition method and improved EMD decomposition method， namely ensemble Empirical Mode decomposition method （EEMD）. It is proved that the EEMD decomposition method has excellent performance of anti-mode aliasing. Finally， the decomposed IMF components are transformed by HHT， and the marginal spectrum characteristics of each signal are obtained.

Key words： EMD; EEMD; torsional vibration monitorin