基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。

MCKD结合RSGWPT的轴承早期故障诊断方法

为解决受背景噪声和信号传递路径等因素影响,轴承早期故障特征微弱,难以有效诊断出轴承故障的问题,提出了一种最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合冗余第二代小波包变换(Redundant Second Generation Wavelet Package Transform,RSGWPT)诊断轴承早期故障的方法。结果表明:该方法基于MCKD增强原始信号中存在的周期性冲击成分,以最大相关峭度为指标筛选RSGWPT小波包节点,能够凸显故障特征敏感频带,提取故障特征;通过分析车用变速器轴承内、外圈的早期故障数据发现,该方法能够清晰地诊断出轴承早期故障信息,验证了其有效性。