基于QSTFT的同步压缩变换及在轴承故障诊断中的应用

高阶同步压缩变换以同步压缩变换为基础,能够有效地估计纯调制信号的瞬时频率,提升时频面的能量集中水平。但由于受到窗口固定的限制,其难以对频率快速变化的多分量信号获得清晰的时频表示。为此,引入缝式短时傅里叶变换,其能够根据信号的特点,在特定区域自适应地选择最佳的窗口,克服了窗口时宽不变的缺陷。在此基础上,结合高阶同步压缩变换,提出一种基于缝式短时傅里叶变换的自适应高阶同步压缩变换算法,进一步提升对复杂信号时频特征的提取能力。通过对仿真信号和轴承外圈故障信号进行分析,验证了该算法的有效性。

基于低秩-稀疏分解的滚动轴承故障特征提取

针对旋转机械早期故障特征微弱且易受背景噪声影响而难以提取的问题,提出一种基于低秩-稀疏分解的轴承信号瞬态特征提取方法。研究了周期性瞬态信号的稀疏时频表示,建立了低秩-稀疏模型并从背景噪声中提取瞬态冲击信号。首先,通过高阶同步压缩变换(high-order synchrosqueezing transform, FSSTH)将测量信号变换到一个新的稀疏子空间;然后,使用鲁棒主成分分析算法(robust principal component analysis, RPCA)将稀疏时频矩阵分解为低秩部分和稀疏部分;最后,对低秩矩阵施加逆高阶同步压缩变换恢复得到瞬态冲击信号,并通过包络谱分析实现故障诊断。该方法由数据驱动实现,不需要任何先验信息。仿真信号和实际信号分析结果表明,所提方法可有效增强振动信号中故障引起的周期性瞬态冲击特征,能够实现强噪声背景下滚动轴承微弱故障特征提取。