基于Boxplot-LTSA噪声流形算法的滚动轴承状态识别

旋转机械在实际运行中往往是变工况的,采集到的数据容易受到噪声、振动、冲击等多重干扰,经过降维处理后的低维流形无法真实、准确地反映其内部结构或内在规律,在进行故障识别时误判率高。提出了一种Boxplot-LTSA算法,利用箱线图Boxplot算法对原始信号进行去噪处理,再利用局部切空间排列方法(LTSA)进行降维,该算法直接对采集到的原始信号进行处理,不需时频域特征提取,避免了数据处理所造成的数据失真,同时LTSA算法能够克服去噪所造成的数据孔洞影响。通过案例,与直接使用流形学习算法降维处理结果进行比较,证实了该方法能够克服噪声对流形学习算法的影响,具有良好的状态识别效果。     

基于MUDW和峭度的齿轮故障信号预处理方法

针对齿轮故障信号特征提取困难、易淹没在噪声干扰中等问题,采用形态非抽样小波(Morphological UnDecimated Wavelet,MUDW)分解和峭度对振动信号进行预处理,以强化齿轮故障信号特征和提高特征信息比重。首先,采用MUDW对信号进行分解,利用网格搜索法优选其初始参数;然后,采用峭度作为评价指标来表征各分解层近似信号对故障特征的贡献量,在此基础上进行加权融合运算,以提高有用的近似信号比重;最后,利用仿真信号和实测的齿轮故障振动信号验证了该方法的有效性和实用性。