LCD和SWT在滚动轴承故障诊断中的应用

针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征。对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

基于近似熵和LCD-KELM的滚动轴承故障诊断

由于提取滚动轴承的非平稳非线性信号特征较为困难,强噪声背景下难以诊断早期故障,故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和核极限学习机(Kernel Extreme Learning Machine,KELM)的智能诊断方法（LCD_KELM）。该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数（Intrinsic Scale Component ,ISC）,选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy,ApEn),使用KELM对随机选取的近似熵值进行训练,保存训练参数后,利用剩余的近似熵值进行测试,实验结果表明LCD_KELM具有较高的诊断准确率,能够对滚动轴承运行状态进行高精度诊断,从而判断滚动轴承的运转状况。     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。