基于同步压缩广义S变换的发动机故障诊断

为提高发动机故障诊断准确率，提出了基于同步压缩广义S变换（synchrosqueezing generalized S?transform，简称SSGST）与中心对称局部二值模式（center?symmetric local binary patterm，简称CSLBP）的故障诊断方法。首先，针对信号时频分析中的能量泄露、频谱涂抹、频带混叠和时频分辨率较低的问题，基于同步压缩算法与广义S变换提出了SSGST，对缸盖振动信号进行时频分析得到时频聚集性较高的二维时频图；然后，利用CSLBP提取缸盖振动信号时频图的纹理谱特征，并将其输入交叉验证寻优的核极限学习机对发动机进行故障诊断。实验结果表明，SSGST的能量聚集效果好，时频分辨率高，各频带分布较窄且不存在混叠，能够有效分离出非线性混合信号中的各频带分量；时频图的CSLBP纹理谱特征维数较低，且具有良好的类内聚集性和类间离散性；利用交叉验证寻优的KELM对故障特征进行分类，实现发动机故障诊断，获得了较高的诊断速度和精度。