移不变时频流形自学习的旋转机械故障特征增强

发布时间：2021-12-16 00:12

　　针对传统稀疏方法在字典构造过程的不足及稀疏表征结果的局限性问题,通过在移不变稀疏学习的框架下,引入时频流形学习,提出了一种新的移不变时频流形自学习的故障诊断方法。该方法基于时频流形对信号局部特征结构的挖掘与增强能力,采用包络谱熵获取信号特征最优本征包络模态分量,提出利用局部流形包络模态完成对全局包络信号的移不变学习与特征增强,结合相位保持以及一系列逆变换完成全局信号移不变流形模态的重构表达与增强学习,最终实现旋转机械故障信号增强与诊断分析。实验结果表明,该方法可以实现强背景噪声的有效抑制及非线性瞬态特征的高效挖掘与学习,有利于构建高效准确的故障诊断研究。 

【文章来源】：振动工程学报. 2020,33(03)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

图1 时频流形学习流程图

依据公式（12）可以得到二维包络熵分布，其中最大包络熵对应备选包络基函数拥有最好的瞬态冲击特性，最终自适应输出最优包络流形基，用于后续的移不变时频流形自学习。2 基于SITFMS的信号特征增强模型

为了验证基于移不变时频流形自学习的信号特征增强方法的有效性，本节对两组具有不同单一故障缺陷的轴承进行信号特征提取。实验一采用实验室自建的轴承振动测试实验台如图3所示。声音信号由放置在轴承边上的B&K声音传感器（Type4944-A）来获取，采样频率为10kHz；实验二采用凯斯西储大学（CWRU）轴承数据[13]，振动信号由安装在轴承座的加速度计传感器来拾取，采样频率为12kHz。3.2 基于SITFMS信号特征增强


本文编号：3537387