基于CELCD和 MFVPMCD的智能故障诊断方法研究

mutougeda

基于CELCD和 MFVPMCD的智能故障诊断方法研究

摘要:针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解(Cross-correlation matching endpoint Extension Local Characteristic scale Decom-position ,CELCD)和改进多变量预测模型(Variable Predictive Model based Class Discriminate, VPMCD)的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解(Local Char-acteristic scale Decomposition ,LCD)得到各去除端点效应的内禀尺度分量( Intrinsic Scale Component , lSC) ,最后输入到基于多模型融合的多变量预测模型(Multi-model Fusion-Variable Predictive Model based Class Discriminate ,MFVPMCD)分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.
关键词:互相关匹配延拓;局部特征尺度分解;多模型融合;多变量预测模型;故障诊断

$ y1 O5 ?% `, y- X! q1引言
/ F7 L; a. L( l# A9 P当机械工作时,其振动信号往往表现出非平稳和非线性特征,对这类信号振动特征的准确提取尤为重要,但是如果直接从这些非平稳或非线性信号中提取特征势必影响故障诊断的效果,因此,特征提取前有必要进行信号处理.局部特征尺度分解(Local Characteris-tic scale Decomposition , LCD)算法是由程军圣等人于2012年在ITD基础之上提出的一种新的自适应时频分析方法U12l,它能够同时在时域和频域提供非平稳信号的局部化信息,且避免了EMD方法的频率混淆问题3和LMD方法的信号突变问题^.另外,LCD通过三次样条插值获得光滑的内禀尺度分量( Intrinsic Scale Compo-nent , ISC) ,从本质上解决了ITD分解结果出现毛刺的现象.虽然LCD方法克服了EMD和ITD方法的一些缺陷,但仍然存在端点效应问题[2,严重影响信号处理的

游客，如果您要查看本帖隐藏内容请回复

% F$ l) V2 w. w/ M7 D+ ~" ]! T
. w9 Z: D4 l! z8 b' c) s1 U+ H

yin123

基于CELCD和 MFVPMCD的智能故障诊断方法研究