基于时域流形稀疏重构方法的滚动轴承故障特征增强研究.docx

基于时域流形稀疏重构方法的滚动轴承故障特征增强研究
近年来，滚动轴承作为机械运动部件的重要组成部分，其状态健康监测已成为工业界普遍关注的问题。随着科学技术的不断发展，越来越多的新型检测方法被应用于滚动轴承的故障检测中，其中时域流形稀疏重构方法被广泛研究和应用。
时域流形稀疏重构方法是一种基于稀疏表示理论的信号分析方法，其主要思想是将信号分解为基本成分，即基底与稀疏信号的乘积形式，达到信号的降维与压缩。该方法对信号的特征提取能力非常强，被广泛应用于轴承故障诊断领域。
针对滚动轴承状态监测中数据多、噪声大、特征难抽取等问题，本文结合时域流形稀疏重构方法，提出了一种滚动轴承故障特征增强算法。其具体实现步骤如下：
1.数据采集和预处理。利用加速度传感器采集滚动轴承加速度信号，并经过滤波、降采样等预处理，得到有效信号。
2.时域流形构建。采用Takens定理和ECKE特征传播算法，将时域信号映射为高维延迟嵌入空间，构建时域流形。
3.稀疏重构。采用奇异值分解和L1范数优化算法，对流形信号进行稀疏表示重构，提取信号的主成分和高频部分信号。
4.特征增强。将重构的主成分和高频部分信号相加，得到增强后的信号，提取滚动轴承故障的特征信息，实现故障检测与诊断。
为验证本文算法的有效性和稳定性，实验采用了不同径向间隙下、速度为900rpm和1800rpm时滚动轴承的实验数据，通过与其他算法进行对比，表明本文算法在滚动轴承故障诊断的效果和稳定性方面具有明显优势。
综上所述，本文基于时域流形稀疏重构方法，提出了一种滚动轴承故障特征增强算法，该算法能够提取信号的主成分和高频部分信号，在滚动轴承故障检测中具有明显的优势。此算法未来将在工业应用中推广使用，为滚动轴承状态健康监测提供更加准确可靠的手段。