基于经验模态分解的Hilbert-Huang变换(HHT)存在端点效应,从而影响分解效果。为了改善端点效应,提出了基于镜像延拓法的端点抑制方法。将改进的Hilbert-Huang变换首次应用到振动筛等振动机械的轴承故障特征提取中,通过实验表明该方法可以有效提取振动机械中故障信号的频谱特征,便于工程现场的应用。
振动筛在煤炭行业中扮演着重要角色，其故障诊断对于确保生产效率和安全性至关重要。希尔伯特-黄变换（HHT）是一种基于经验模态分解（EMD）的时间-频率分析方法，广泛应用于机械设备的故障诊断，尤其是对于检测轴承的磨损和疲劳等故障。然而，HHT 在处理振动信号时存在端点效应，这会干扰分解的准确性。
端点效应是由于EMD分解过程中，数据序列的边界处极值点的缺失导致的。在计算包络线时，由于三次样条插值在端点附近可能会产生较大的波动，误差会逐渐累积并传播到数据内部，影响分解的精确性。为了解决这一问题，文中提出了基于镜像延拓法的端点抑制策略。这种方法假设数据在端点附近具有对称性，并通过在两端放置“镜子”来扩展数据序列，形成一个封闭的环状曲线，使得数据在边界处也能找到合适的极值点，从而减少端点效应。
镜像延拓法的实施步骤包括：对原始数据序列的两端进行镜像操作，创建出与原序列对称的扩展部分；然后，将原序列与镜像部分合并，形成一个连续且无端点效应的新序列；使用这个新序列进行EMD分解，以获得更准确的模态分量。
通过仿真实验，对比了未改进和改进后的HHT算法在处理含有三个调幅-调频分量的仿真信号时的效果。改进后的HHT算法能更有效地抑制端点效应，提高模态分量的清晰度，这对于故障特征的提取尤为关键。具体表现为，改进的EMD算法分解后的模态分量更加纯净，更能准确反映出信号的频谱特性。
将改进的HHT算法应用于振动筛轴承的故障诊断中，实验结果证明了这种方法的有效性。它可以准确提取出故障信号的频谱特征，有利于现场工程人员快速识别和定位故障。因此，这项技术不仅适用于旋转机械轴承故障诊断，还能够广泛应用于各种振动机械的故障特征提取，提高了诊断的效率和准确性。
改进的HHT算法结合镜像延拓法在抑制端点效应方面取得了显著成效，提升了振动筛轴承故障诊断的可靠性，对于预防和解决煤炭行业以及其他振动机械的故障具有重要的实践意义。未来的研究可能将进一步优化这种端点处理方法，以适应更多复杂工况下的故障诊断需求。
