时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯 Alpha(α)稳定分布,传统的 Stockwell 变换( S 变换)时频方法性能退化甚至失效。基于 S 变换时频和分数低阶矩提出了一种分数低阶 S 变换时频...时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯 Alpha(α)稳定分布,传统的 Stockwell 变换( S 变换)时频方法性能退化甚至失效。基于 S 变换时频和分数低阶矩提出了一种分数低阶 S 变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶 S 变换时频算法。仿真结果表明,所提出的分数低阶 S 变换时频算法及其快速算法能很好地工作在高斯噪声和α稳定分布噪声环境,性能优于已有的 S 变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。展开更多
针对分数低阶Alpha稳定分布特性下轴承振动信号乘积函数(product functions,简称PF)的高阶统计特征提取性能退化问题,提出了轴承振动信号PF分量的分数低阶特征提取方法。通过信号平稳化PF分量的概率密度函数(probability density functi...针对分数低阶Alpha稳定分布特性下轴承振动信号乘积函数(product functions,简称PF)的高阶统计特征提取性能退化问题,提出了轴承振动信号PF分量的分数低阶特征提取方法。通过信号平稳化PF分量的概率密度函数(probability density function,简称PDF)曲线拖尾及特征指数α估计,验证轴承振动信号PF分量的分数低阶Alpha分布特性,并提出最优分数低阶统计量和共变低维流行映射矩构成轴承特征矩阵,以降低二阶及高阶统计量对信号分量特征描述误差,实现不同故障轴承特性的准确性表征。通过轴承特征散点图对比分析,结果表明,分数低阶次特征对轴承振动信号PF分量描述更为准确,不同状态轴承特征描述准确性和区分效果提升明显,具有一定的可行性及实际应用优势。展开更多
文摘时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯 Alpha(α)稳定分布,传统的 Stockwell 变换( S 变换)时频方法性能退化甚至失效。基于 S 变换时频和分数低阶矩提出了一种分数低阶 S 变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶 S 变换时频算法。仿真结果表明,所提出的分数低阶 S 变换时频算法及其快速算法能很好地工作在高斯噪声和α稳定分布噪声环境,性能优于已有的 S 变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。
文摘针对分数低阶Alpha稳定分布特性下轴承振动信号乘积函数(product functions,简称PF)的高阶统计特征提取性能退化问题,提出了轴承振动信号PF分量的分数低阶特征提取方法。通过信号平稳化PF分量的概率密度函数(probability density function,简称PDF)曲线拖尾及特征指数α估计,验证轴承振动信号PF分量的分数低阶Alpha分布特性,并提出最优分数低阶统计量和共变低维流行映射矩构成轴承特征矩阵,以降低二阶及高阶统计量对信号分量特征描述误差,实现不同故障轴承特性的准确性表征。通过轴承特征散点图对比分析,结果表明,分数低阶次特征对轴承振动信号PF分量描述更为准确,不同状态轴承特征描述准确性和区分效果提升明显,具有一定的可行性及实际应用优势。