10.16450/j.cnki.issn.1004-6801.2018.04.010
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.
滚动轴承、冗余二代小波包变换、局部特征尺度分解、极限学习机、特征提取、模式识别
38
TH132.3;TP277
新能源电力系统国家重点试验室资助项目LAPS15019;国家自然科学基金资助项目51575140;中央高校基本科研业务费专项基金资助项目2014JBZ017
2018-09-07(万方平台首次上网日期,不代表论文的发表时间)
共8页
719-726