【技术实现步骤摘要】
本专利技术属于旋转机械故障诊断领域，具体涉及一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法。
技术介绍
1、旋转机械广泛应用于发动机、风机、柴油机等动力装置中，且由于动力装置恶劣的运行工况(低速重载工况、超负荷运转、交变冲击及载荷)导致旋转机械极易发生故障。研究表明轴承、齿轮等旋转部件引发的故障占机械故障总数的四成以上，这一数据说明旋转机械相较于其他部件更易发生故障。因易于磨损，滚动轴承早期缺陷的检测对于制定预防性维修计划，保证设备的安全运行具有重要意义。从滚动轴承测得的振动信号中含有故障信号。由于滚动轴承中的局部故障，会产生周期性脉冲。这些脉冲是由于元件通过局部故障而产生的。对于严重缺陷来说，检测这些周期性脉冲相对容易一些。然而，在缺陷的早期，脉冲的振幅很弱，并且脉冲埋藏在强烈的机械振动中，很难被检测出来。因此，需要一种合适的信号处理方法来提取早期故障特征。
2、基于fft的方法被广泛用于确定频谱中是否存在故障特征。然而，当故障信号较弱时，基于fft的方法无法捕捉到非平稳微弱故障信号的瞬态特征。基于小波变换(wt)和...
【技术保护点】
1.一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤S1的故障周期估计模型中，考虑前m阶故障冲击成分，提出一种改进的非线性希尔伯特包络谐波乘积谱模型，即为MHEHPS模型，频率对应的最大值即为故障冲击频率，表征为：
3.根据权利要求2所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤S1中信号的Hilbert包络谱的获取如下：
4.根据权利要求1所述的一种基于加权稀疏表征自...
【技术特征摘要】
1.一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤s1的故障周期估计模型中，考虑前m阶故障冲击成分，提出一种改进的非线性希尔伯特包络谐波乘积谱模型，即为mhehps模型，频率对应的最大值即为故障冲击频率，表征为：
3.根据权利要求2所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤s1中信号的hilbert包络谱的获取如下：
4.根据权利要求1所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤s2包括如下步骤：
5.根据权利要求4所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤s2具体为：
6.根据权利要求1所述的一种基于加权稀疏表征自步学习的机械结构弱故障诊断方法，其特征在于，所述步骤s3中采用二阶段自步学习正则项以适应弱故障...
【专利技术属性】
技术研发人员：李炳强，宋仕洪，王俊皓，周宏根，刘金锋，康超，陈宇，谢阳，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。