基于HHT与神经网络结合的故障诊断系统

ghie90902026-03-22 10:56

一、技术原理与系统架构

1. 希尔伯特-黄变换（HHT）核心思想

HHT由经验模态分解（EMD）和 希尔伯特变换（HT）组成，特别适合处理非平稳、非线性信号：

  • EMD ：将复杂信号分解为有限个固有模态函数（IMF），每个IMF代表不同时间尺度的振荡模式

  • HT ：对每个IMF进行希尔伯特变换，计算瞬时频率 和瞬时幅值，构建时频能量分布

2. 神经网络分类器

  • 输入层：HHT提取的时频特征（IMF能量、边际谱特征等）

  • 隐藏层：全连接层或卷积层提取深层特征

  • 输出层：Softmax分类器（正常/故障类型）

3. 系统架构

原始信号
EMD分解
IMF分量
希尔伯特变换
时频特征提取
特征选择与降维
神经网络分类器
故障诊断结果

二、MATLAB实现代码

1. 主程序框架

matlab 复制代码 
% HHT-神经网络故障诊断系统
clear; clc; close all;

% ========== 参数设置 ==========
fs = 10000;          % 采样频率 (Hz)
duration = 1;         % 信号时长 (s)
t = 0:1/fs:duration-1/fs;
numSamples = length(t);

% 故障类型定义
faultTypes = {'Normal', 'InnerRaceFault', 'OuterRaceFault', 'BallFault'};
numClasses = length(faultTypes);

% ========== 数据准备 ==========
% 生成模拟信号（实际应用时替换为真实数据）
[normalSig, faultSigs] = generateBearingSignals(t, fs);

% 合并数据集
allSignals = [normalSig, faultSigs];
labels = [zeros(1, size(normalSig,2)), ones(1, size(faultSigs,2))]; % 0=正常, 1=故障

% 添加噪声
SNR = 10; % 信噪比(dB)
noisySignals = awgn(allSignals, SNR, 'measured');

% ========== HHT特征提取 ==========
features = cell(1, size(noisySignals, 2));
for i = 1:size(noisySignals, 2)
    signal = noisySignals(:, i);
    
    % EMD分解
    imfs = emd(signal, 'MaxNumIMF', 5, 'Display', 0);
    
    % 希尔伯特变换与时频分析
    [instFreq, instAmp, marginalSpec] = hilbertTransform(imfs, fs);
    
    % 特征提取
    feat = extractFeatures(imfs, instFreq, instAmp, marginalSpec);
    features{i} = feat;
end

% 转换为特征矩阵
featureMatrix = cell2mat(features');
featureMatrix = normalize(featureMatrix, 2, 'zscore'); % 标准化

% ========== 神经网络训练 ==========
% 划分训练集和测试集
rng(42); % 设置随机种子
cv = cvpartition(size(featureMatrix, 1), 'HoldOut', 0.3);
trainIdx = training(cv);
testIdx = test(cv);

XTrain = featureMatrix(trainIdx, :);
YTrain = categorical(labels(trainIdx) + 1); % 转换为分类变量
XTest = featureMatrix(testIdx, :);
YTest = categorical(labels(testIdx) + 1);

% 创建神经网络
net = createNN(size(XTrain, 2), numClasses);

% 训练网络
options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 32, ...
    'ValidationData', {XTest, YTest}, ...
    'Plots', 'training-progress', ...
    'Verbose', false);

net = trainNetwork(XTrain, YTrain, net, options);

% ========== 性能评估 ==========
YPred = classify(net, XTest);
accuracy = sum(YPred == YTest) / numel(YTest);
confMat = confusionmat(YTest, YPred);

% 显示结果
disp(['测试准确率: ', num2str(accuracy*100), '%']);
figure;
confusionchart(confMat, faultTypes);
title('混淆矩阵');

% ========== 可视化分析 ==========
visualizeResults(noisySignals, features, YTest, YPred, faultTypes);

2. EMD分解函数

matlab 复制代码 
function imfs = emd(signal, varargin)
    % 经验模态分解(EMD)实现
    % 输入: signal - 输入信号
    %       varargin - 可选参数: MaxNumIMF, Display
    % 输出: imfs - IMF分量矩阵 (每列一个IMF)
    
    % 参数解析
    params = parseInputs(varargin{:});
    maxNumIMF = params.MaxNumIMF;
    display = params.Display;
    
    residue = signal;
    imfs = [];
    iterCount = 0;
    
    while ~isMonotonic(residue) && size(imfs, 2) < maxNumIMF
        h = residue;
        k = 0;
        
        while ~isIMF(h) && k < 10 % 内层循环次数限制
            % 寻找极值点
            maxPeaks = findPeaks(h);
            minPeaks = findPeaks(-h);
            
            % 三次样条插值构造包络线
            upperEnv = spline(maxPeaks(:,1), maxPeaks(:,2), 1:length(h));
            lowerEnv = spline(minPeaks(:,1), minPeaks(:,2), 1:length(h));
            
            % 计算均值包络
            meanEnv = (upperEnv + lowerEnv)/2;
            
            % 更新h
            h_prev = h;
            h = h - meanEnv;
            
            % 检查终止条件
            if sum(abs(h - h_prev)) < 0.01*std(signal)
                break;
            end
            k = k + 1;
        end
        
        % 保存IMF
        imfs = [imfs, h];
        residue = residue - h;
        iterCount = iterCount + 1;
        
        if display
            fprintf('IMF %d extracted, iterations: %d\n', size(imfs,2), k);
        end
    end
    
    % 添加残差
    imfs = [imfs, residue];
end

function isMono = isMonotonic(x)
    % 检查信号是否单调
    diffX = diff(x);
    isMono = all(diffX >= 0) || all(diffX <= 0);
end

function isImf = isIMF(h)
    % 检查是否满足IMF条件
    % 1. 过零点数等于极值点数或相差1
    % 2. 局部均值为零
    
    numExtrema = countExtrema(h);
    numZeroCrossings = countZeroCrossings(h);
    
    if abs(numExtrema - numZeroCrossings) > 1
        isImf = false;
        return;
    end
    
    % 计算局部均值
    maxPeaks = findPeaks(h);
    minPeaks = findPeaks(-h);
    meanEnv = (spline(maxPeaks(:,1), maxPeaks(:,2), 1:length(h)) + ...
              spline(minPeaks(:,1), minPeaks(:,2), 1:length(h)))/2;
    
    isImf = rms(meanEnv) < 0.1*std(h);
end

function peaks = findPeaks(x)
    % 寻找极值点
    dx = diff(x);
    signChange = diff(dx > 0);
    peakIndices = find(signChange == -1) + 1;
    
    % 二次插值精确定位
    peaks = [];
    for i = 1:length(peakIndices)
        idx = peakIndices(i);
        if idx > 1 && idx < length(x)
            a = x(idx-1); b = x(idx); c = x(idx+1);
            offset = (a - c)/(2*(a - 2*b + c));
            peakPos = idx + offset;
            peakVal = b - (a - c)^2/(8*(a - 2*b + c));
            peaks = [peaks; peakPos, peakVal];
        end
    end
end

3. 希尔伯特变换与特征提取

matlab 复制代码 
function [instFreq, instAmp, marginalSpec] = hilbertTransform(imfs, fs)
    % 希尔伯特变换计算瞬时频率和幅值
    numImf = size(imfs, 2);
    instFreq = cell(1, numImf);
    instAmp = cell(1, numImf);
    marginalSpec = zeros(100, numImf); % 边际谱
    
    for k = 1:numImf
        imf = imfs(:, k);
        analyticSignal = hilbert(imf);
        instAmp{k} = abs(analyticSignal);
        instPhase = unwrap(angle(analyticSignal));
        instFreq{k} = diff(instPhase)/(2*pi) * fs; % 瞬时频率
        
        % 计算边际谱
        [freqAxis, spec] = spectrogram(instAmp{k}, 128, 120, 128, fs);
        marginalSpec(:, k) = sum(abs(spec), 2);
    end
end

function feat = extractFeatures(imfs, instFreq, instAmp, marginalSpec)
    % 从IMF分量中提取特征
    numImf = size(imfs, 2);
    feat = [];
    
    % 1. IMF能量特征
    energy = zeros(1, numImf);
    for k = 1:numImf
        energy(k) = sum(imfs(:, k).^2);
    end
    feat = [feat, energy/norm(energy)]; % 归一化能量
    
    % 2. 瞬时频率统计特征
    for k = 1:numImf
        if ~isempty(instFreq{k})
            meanFreq = mean(instFreq{k});
            stdFreq = std(instFreq{k});
            skewFreq = skewness(instFreq{k});
            kurtFreq = kurtosis(instFreq{k});
            feat = [feat, meanFreq, stdFreq, skewFreq, kurtFreq];
        else
            feat = [feat, 0, 0, 0, 0];
        end
    end
    
    % 3. 边际谱特征
    for k = 1:numImf
        [maxVal, maxIdx] = max(marginalSpec(:, k));
        meanSpec = mean(marginalSpec(:, k));
        stdSpec = std(marginalSpec(:, k));
        feat = [feat, maxVal, maxIdx, meanSpec, stdSpec];
    end
    
    % 4. 时域统计特征
    for k = 1:numImf
        imf = imfs(:, k);
        feat = [feat, mean(imf), std(imf), rms(imf), kurtosis(imf)];
    end
end

4. 神经网络创建与训练

matlab 复制代码 
function net = createNN(inputSize, numClasses)
    % 创建神经网络结构
    layers = [
        featureInputLayer(inputSize, 'Name', 'input')  % 输入层
        
        fullyConnectedLayer(128, 'Name', 'fc1')         % 全连接层1
        batchNormalizationLayer('Name', 'bn1')          % 批归一化
        reluLayer('Name', 'relu1')                      % ReLU激活
        dropoutLayer(0.3, 'Name', 'drop1')              % Dropout层
        
        fullyConnectedLayer(64, 'Name', 'fc2')          % 全连接层2
        batchNormalizationLayer('Name', 'bn2')
        reluLayer('Name', 'relu2')
        dropoutLayer(0.2, 'Name', 'drop2')
        
        fullyConnectedLayer(32, 'Name', 'fc3')          % 全连接层3
        reluLayer('Name', 'relu3')
        
        fullyConnectedLayer(numClasses, 'Name', 'output') % 输出层
        softmaxLayer('Name', 'softmax')                  % Softmax分类
        classificationLayer('Name', 'classification')   % 分类层
    ];
    
    % 网络选项
    options = trainingOptions('adam', ...
        'InitialLearnRate', 0.001, ...
        'LearnRateSchedule', 'piecewise', ...
        'LearnRateDropFactor', 0.5, ...
        'LearnRateDropPeriod', 20, ...
        'L2Regularization', 0.001, ...
        'Shuffle', 'every-epoch', ...
        'ValidationPatience', 10, ...
        'ExecutionEnvironment', 'auto');
    
    % 创建网络
    net = layerGraph(layers);
end

5. 轴承故障信号生成（模拟）

matlab 复制代码 
function [normalSig, faultSigs] = generateBearingSignals(t, fs)
    % 生成轴承正常和故障信号
    % 输入: t - 时间向量, fs - 采样频率
    % 输出: normalSig - 正常信号, faultSigs - 故障信号矩阵
    
    % 基本参数
    fn = 2000; % 轴转频 (Hz)
    BPFO = 3.2*fn; % 外圈故障特征频率
    BPFI = 4.8*fn; % 内圈故障特征频率
    BSF = 2.1*fn;  % 滚动体故障特征频率
    
    % 正常信号（高斯白噪声 + 正弦波）
    normalSig = 0.5*randn(size(t)) + 2*sin(2*pi*fn*t);
    
    % 外圈故障信号
    outerFault = 0.3*randn(size(t)) + 1.5*sin(2*pi*fn*t) + ...
                 0.8*sin(2*pi*BPFO*t) + 0.5*sin(2*pi*2*BPFO*t);
    
    % 内圈故障信号
    innerFault = 0.3*randn(size(t)) + 1.5*sin(2*pi*fn*t) + ...
                 0.7*sin(2*pi*BPFI*t) + 0.4*sin(2*pi*2*BPFI*t);
    
    % 滚动体故障信号
    ballFault = 0.3*randn(size(t)) + 1.5*sin(2*pi*fn*t) + ...
                0.6*sin(2*pi*BSF*t) + 0.3*sin(2*pi*2*BSF*t);
    
    % 添加冲击成分
    impactInterval = 1/(2*fn); % 冲击间隔
    impactTimes = 0:impactInterval:max(t);
    for i = 1:length(impactTimes)
        idx = find(t >= impactTimes(i), 1);
        if ~isempty(idx) && idx < length(t)
            % 外圈故障冲击
            outerFault(idx:min(idx+10, end)) = outerFault(idx:min(idx+10, end)) + 3*exp(-50*(0:9));
            % 内圈故障冲击
            innerFault(idx:min(idx+10, end)) = innerFault(idx:min(idx+10, end)) + 3*exp(-50*(0:9));
            % 滚动体故障冲击
            ballFault(idx:min(idx+10, end)) = ballFault(idx:min(idx+10, end)) + 3*exp(-50*(0:9));
        end
    end
    
    % 组合故障信号
    faultSigs = [outerFault, innerFault, ballFault];
end

6. 结果可视化

matlab 复制代码 
function visualizeResults(signals, features, YTest, YPred, faultTypes)
    % 可视化分析结果
    figure('Position', [100, 100, 1200, 800]);
    
    % 1. 原始信号示例
    subplot(3, 2, [1, 2]);
    plot(signals(:, 1));
    hold on;
    plot(signals(:, 2), 'r');
    title('原始信号示例');
    legend('正常信号', '故障信号');
    xlabel('样本点');
    ylabel('幅值');
    
    % 2. IMF分量示例
    subplot(3, 2, 3);
    imfs = emd(signals(:, 1), 'MaxNumIMF', 4, 'Display', 0);
    plot(imfs);
    title('正常信号的IMF分量');
    xlabel('样本点');
    ylabel('幅值');
    legend({'IMF1', 'IMF2', 'IMF3', 'IMF4', '残差'});
    
    subplot(3, 2, 4);
    imfs = emd(signals(:, 2), 'MaxNumIMF', 4, 'Display', 0);
    plot(imfs);
    title('故障信号的IMF分量');
    xlabel('样本点');
    ylabel('幅值');
    
    % 3. 时频分析示例
    subplot(3, 2, 5);
    [instFreq, instAmp] = hilbertTransform(imfs, 10000);
    imagesc(1:length(instAmp{1}), 1:length(instFreq{1}), abs([instFreq{:}]));
    title('瞬时频率分布');
    xlabel('时间');
    ylabel('IMF分量');
    colorbar;
    
    subplot(3, 2, 6);
    marginalSpec = zeros(50, size(imfs, 2));
    for k = 1:size(imfs, 2)
        [freqAxis, spec] = spectrogram(instAmp{k}, 64, 60, 64, 10000);
        marginalSpec(:, k) = sum(abs(spec), 2);
    end
    imagesc(linspace(0, 5000, 50), 1:size(imfs, 2), marginalSpec);
    title('边际谱');
    xlabel('频率 (Hz)');
    ylabel('IMF分量');
    colorbar;
    
    % 4. 特征重要性分析（使用随机森林）
    figure;
    allFeatures = cell2mat(features');
    labelsAll = repelem([0; 1; 1; 1], size(signals, 2)); % 标签
    
    rf = TreeBagger(50, allFeatures, categorical(labelsAll), ...
        'Method', 'classification', 'OOBPredictorImportance', 'on');
    imp = rf.OOBPermutedPredictorDeltaError;
    
    bar(imp);
    title('特征重要性排序');
    xlabel('特征索引');
    ylabel('重要性得分');
    grid on;
    
    % 5. 混淆矩阵（已在主程序中显示）
end

参考代码 把HHT和神经网络结合起来，识别出是否故障 www.youwenfan.com/contentcss/53366.html

三、关键技术解析

1. EMD分解优化

问题 解决方案 MATLAB实现
端点效应 镜像延拓法 signal = [flip(signal(1:50)); signal; flip(signal(end-49:end))]
模态混叠 互补集合经验模态分解(CEEMDAN) 添加正负白噪声集合平均
停止准则 标准差阈值法 SD = sum((h_prev - h).^2)/sum(h_prev.^2)

2. 特征选择与降维

matlab 复制代码 
function selectedFeatures = featureSelection(featureMatrix, labels)
    % 特征选择与降维
    % 1. 相关性分析
    corrMatrix = corr(featureMatrix);
    highCorrPairs = find(abs(corrMatrix) > 0.95 & triu(ones(size(corrMatrix)), 1));
    
    % 2. 互信息筛选
    mi = zeros(1, size(featureMatrix, 2));
    for i = 1:size(featureMatrix, 2)
        mi(i) = mutualInformation(featureMatrix(:, i), labels);
    end
    
    % 3. PCA降维
    [coeff, score, latent] = pca(featureMatrix);
    cumVar = cumsum(latent)/sum(latent);
    numComponents = find(cumVar >= 0.95, 1); % 保留95%方差
    
    selectedFeatures = score(:, 1:numComponents);
end

function mi = mutualInformation(x, y)
    % 计算互信息
    bins = 50;
    px = histcounts(x, bins, 'Normalization', 'pdf');
    py = histcounts(y, bins, 'Normalization', 'pdf');
    pxy = histcounts2(x, y, bins, bins, 'Normalization', 'pdf');
    
    mi = 0;
    for i = 1:bins
        for j = 1:bins
            if pxy(i,j) > 0
                mi = mi + pxy(i,j) * log2(pxy(i,j)/(px(i)*py(j)));
            end
        end
    end
end

3. 神经网络优化技巧

  1. 学习率调度：

    matlab 复制代码 
    options = trainingOptions('adam', ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.5, ...
    'LearnRateDropPeriod', 20);

  2. 正则化技术：

    matlab 复制代码 
    layers = [
    ...
    fullyConnectedLayer(128)
    batchNormalizationLayer()
    reluLayer()
    dropoutLayer(0.3)  % 防止过拟合
    ...
];
options = trainingOptions(..., 'L2Regularization', 0.001);

  3. 早停机制：

    matlab 复制代码 
    options = trainingOptions(..., 
    'ValidationPatience', 10,  % 10次验证无改善则停止
    'OutputFcn', @(info)stopIfAccuracyNotImproving(info, 0.98));

四、工业应用案例

1. 风力发电机齿轮箱故障诊断

matlab 复制代码 
% 实际数据加载与处理
load('windTurbineData.mat'); % 包含振动信号和故障标签

% 特征提取
featureMatrix = [];
for i = 1:size(vibrationData, 2)
    signal = vibrationData(:, i);
    imfs = emd(signal, 'MaxNumIMF', 6);
    [instFreq, instAmp, marginalSpec] = hilbertTransform(imfs, 25000);
    feat = extractFeatures(imfs, instFreq, instAmp, marginalSpec);
    featureMatrix = [featureMatrix; feat];
end

% 添加工况特征
load('operatingConditions.mat'); % 转速、负载等
featureMatrix = [featureMatrix, operatingConditions];

% 训练诊断模型
net = createNN(size(featureMatrix, 2), 4); % 4种故障类型
trainedNet = trainNetwork(featureMatrix, labels, net, options);

% 部署到SCADA系统
save('gearboxDiagnosisModel.mat', 'trainedNet');

2. 变压器局部放电模式识别

matlab 复制代码 
% 局部放电信号处理
pdSignals = loadPDsignals(); % 局部放电信号

% 小波去噪
denoisedSignals = waveletDenoise(pdSignals, 'db4', 5);

% HHT分析
for i = 1:size(denoisedSignals, 2)
    [imfs, res] = emd(denoisedSignals(:, i), 'MaxNumIMF', 5);
    [hs, f, t] = hht(imfs, fs);
    
    % 提取放电特征
    pdFeatures(i, :) = extractPDfeatures(hs, f, t);
end

% 训练分类器
svmModel = fitcecoc(pdFeatures, dischargeTypes, 'Learners', 'svm');

五、系统部署与维护

1. 实时诊断系统架构

传感器
数据采集单元
边缘计算节点
HHT特征提取
神经网络推理
故障预警
云平台监控

2. 在线更新机制

matlab 复制代码 
function updateModel(newData, newLabels)
    % 加载现有模型
    load('currentModel.mat', 'net');
    
    % 增量训练
    updatedNet = trainNetwork(newData, newLabels, net, ...
        'InitialLearnRate', 1e-4, ...
        'MaxEpochs', 10);
    
    % 模型验证
    validationAccuracy = validateModel(updatedNet, validationSet);
    
    % 版本管理
    save(sprintf('model_v%d_%s.mat', datetime('now'), 'backup'), 'updatedNet');
    
    % 部署更新
    if validationAccuracy > bestAccuracy
        deployModel(updatedNet);
        bestAccuracy = validationAccuracy;
    end
end

六、总结

1. 技术优势

  1. 强大的特征提取能力：HHT对非平稳信号的自适应分解优于传统FFT和小波分析

  2. 端到端的诊断流程：从原始信号到故障分类的完整解决方案

  3. 高兼容性：可与多种神经网络架构结合（CNN、LSTM、Transformer）

  4. 工业适用性：已在风电、轨交、电力等领域成功应用

2. 未来发展方向

  1. 多模态融合诊断：

    matlab 复制代码 
    % 融合振动、温度、声音信号
fusedFeatures = [vibrationFeatures, temperatureFeatures, acousticFeatures];

  2. 深度学习增强：

    matlab 复制代码 
    % 使用CNN自动学习特征
layers = [
    imageInputLayer([size(imfs,1) size(imfs,2) 1])
    convolution2dLayer(3, 16, 'Padding', 'same')
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer
];

  3. 数字孪生集成：

    matlab 复制代码 
    % 构建设备数字孪生模型
digitalTwin = createDigitalTwin(deviceParameters);

% 实时仿真与故障注入
[simulatedSignal, faultIndicators] = simulateFault(digitalTwin, faultType);

% 与实际信号比对
residual = actualSignal - simulatedSignal;
相关推荐
Zender Han1 小时前
从 0 到 1：如何设计与编写高质量 Skills（AI Agent 技能开发指南）
人工智能·ai
格林威1 小时前
C++ 工业视觉实战：Bayer 图转 RGB 的 3 种核心算法（邻域平均、双线性、OpenCV 源码级优化）
开发语言·c++·人工智能·opencv·算法·计算机视觉·工业相机
AY呀1 小时前
# 用 NestJS + LangChain + RxJS 打造可扩展的 AI 流式 Agent（含工具调用）
人工智能
Web3_Daisy1 小时前
Token 分红机制详解：实现逻辑、激励结构与风险分析
大数据·人工智能·物联网·web3·区块链
何政@2 小时前
通过python 快速完成ai 构建
人工智能·python·ai·大模型·love l
用户10728559494762 小时前
在Linux中安装antigravity
人工智能
Are_You_Okkk_2 小时前
开源知识库的核心技术赋能与企业级落地路径
人工智能·架构·开源
陈天伟教授2 小时前
人工智能应用- 预测新冠病毒传染性：06. M-H 模型：从基因预测传播能力
人工智能·神经网络·安全·cnn·xss
圣殿骑士-Khtangc2 小时前
Trae IDE AI 编程超全使用教程｜从入门到精通，解锁 AI 开发新效率
ide·人工智能·ai编程·编程助手·trae
热门推荐
01GitHub 镜像站点02Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南03班级宠物园部署指南04小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）05OpenClaw 使用和管理 MCP 完全指南06UV安装并设置国内源07Labelme从安装到标注：零基础完整指南08“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）09围棋-html版本10OpenClaw Control UI安全上下文访问配置