基于变参时频流形信号重构的旋转机械微弱故障检测方法技术

本发明专利技术公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：步骤(1)、故障带内成分提取：步骤(2)、高维TFD矩阵构造：步骤(3)、TFM特征提取：步骤(4)、TFM特征去噪：步骤(5)、故障成分TFD重构：步骤(6)、故障成分时域信号重构。该技术方法至少具有以下优点：对不同机械振动信号的普适性好、计算效率高、信噪比高、能够定量分析故障严重程度等。能够定量分析故障严重程度等。能够定量分析故障严重程度等。

【技术实现步骤摘要】
基于变参时频流形信号重构的旋转机械微弱故障检测方法


[0001]本专利技术涉及故障检测领域，具体涉及一种基于变参时频流形信号重构的旋转机械微弱故障检测方法。

技术介绍

[0002]振动监测技术常用于旋转机械故障诊断中，通过对振动信号的分析可以监测旋转机械的运行状态并及时发现故障，有利于减少停机时间、确保高效生产。当旋转机械在定转速下发生局部故障时，振动信号中会出现周期性瞬态脉冲成分，但由于复杂的机械结构和工作环境，瞬态脉冲往往淹没在大量噪声中，使故障信息在振动信号中显得十分微弱，给机械故障检测带来了挑战。因此，从振动信号中提取故障瞬态脉冲成分是实现旋转机械微弱故障检测的关键。
[0003]时频变换方法，如短时傅里叶变换(STFT)，可以将一维的时域振动信号转换成时频域中的时频分布(TFD)，常用于提取故障瞬态脉冲的时频模式，即特定频带内周期性出现的脉冲区域。然而，噪声也会分布在振动信号的TFD中，干扰了故障瞬态脉冲的识别。传统的去噪方法仅起到带通滤波的效果，即只能去除故障所在频带以外的噪声，对故障频带内的噪声(即带内噪声)则无法去除。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，包括：步骤(1)、故障带内成分提取：采用传统信号处理方法从信号中提取故障所在频带内的成分；步骤(2)、高维TFD矩阵构造：对故障带内成分进行变参时频变换，对获得的每个TFD进行降采样并转换为列向量，用于构造高维TFD矩阵；步骤(3)、TFM特征提取：对高维TFD矩阵进行流形学习，获得两维TFM特征；步骤(4)、TFM特征去噪：根据两维TFM特征的联合幅值分布确定阈值，将两维TFM特征中低于阈值的幅值置零，获得去噪后的两维TFM特征；步骤(5)、故障成分TFD重构：把去噪后的两维TFM特征按照给定的权重进行加权求和，对得到的一维向量反变换为二维矩阵，得到重构的故障成分TFD；步骤(6)、故障成分时域信号重构：把重构的故障成分TFD上采样到原始尺寸，借用故障带内成分TFD对应的相位信息，通过逆时频变换重构故障成分时域信号；其中，步骤(1)中，所述传统信号处理方法能够确定故障信息所在的频带位置并提取出其中的信号成分，滤除故障频带以外的噪声。2.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(1)中，所述传统信号处理方法包括峭度谱、稀疏谱、信息谱、经验模态分解、变分模态分解、经验小波变换、小波变换和小波包变换。3.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(2)中，所述变参时频变换采用不同的参数对信号进行时频变换，所述变参时频变换方法包括短时傅里叶变换、小波变换和维格纳
‑
威利分布；所述降采样是能够减少数据量的方法，包括下采样、二维离散小波变化、二维离散余弦变换、二维经验模态分解和二维变分模态分解。4.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(3)中，所述流形学习是具有维数约简功能的方法，所述流形学习包括局部切空间排列算法、等距映射算法、局部线...

【专利技术属性】
技术研发人员：王俊，王玉琦，黄伟国，杜贵府，沈长青，何清波，
申请(专利权)人：苏州大学，
类型：发明
国别省市：