对偶树复小波流形域降噪方法及其在故障诊断中的应用

滚动轴承工作环境比较复杂,现场测得的振动信号往往含有大量噪声且滚动轴承早期故障特征比较微弱容易被噪声所淹没,如何有效降低滚动轴承故障信号中的噪声准确提取故障特征是一个难题。将流形理论与对偶树复小波(Dual-tree complex wavelet transform, DTCWT)方法结合,提出一种对偶树复小波流形域降噪方法。将轴承振动信号进行对偶树复小波分解构造高维信号空间,然后利用最大方差展开流形算法(Maximum variance unfolding, MVU)提取高维信号空间中的真实信号子空间,去除噪声子空间,充分利用了MVU的非线性特征提取能力以及DTCWT的完全重构特征和平移不变性。运用仿真数据和滚动轴承工程信号对降噪方法进行检验,结果表明DTCWT_MVU可以有效消除轴承信号中的噪声成分,保持信号特征波形,提高信噪比,具有较强的工程使用价值和通用性。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

基于流形-奇异值熵的滚动轴承故障特征提取

提出一种基于流形-奇异值熵的滚动轴承时频故障特征提取方法。首先,在HHT(Hilbert-Huang transform,简称HHT)时频分析基础上,应用二维流形方法提取信号流行成分以达到对轴承故障特征进行降维和提取敏感参量的目的;然后,定义了奇异值熵来定量衡量不同故障状态下流行成分的差异;最后,将流形奇异值向量与概率神经网络相结合,有效实现了轴承故障样本分类。与一般的考虑欧式空间全局范围最优值的主分量(principal component analysis,简称PCA)方法及以向量为研究对象的一维流形方法不同,该方法直接以二维信息为研究对象,避免了一维流形算法需将二维信息转化为向量带来的信息损失,与PCA方法相比更能发现隐藏在高维数据流形结构中的局部数据特征。工程信号分析验证了该方法的有效性,为准确提取滚动轴承故障特征提供了一种可靠手段。