基于局部特征尺度分解与最小熵解卷积的轴承故障诊断.docx

基于局部特征尺度分解与最小熵解卷积的轴承故障诊断
基于局部特征尺度分解与最小熵解卷积的轴承故障诊断
摘要：
轴承故障诊断是机械设备故障诊断的关键环节之一。本文基于局部特征尺度分解与最小熵解卷积方法，针对轴承故障诊断进行研究。首先，通过局部特征尺度分解，将原始信号分解为不同尺度下的局部特征。然后，利用最小熵解卷积方法对局部特征进行滤波，提取有效的故障信息。最后，通过特征融合方法，对不同尺度下的故障信息进行融合，得到最终的故障诊断结果。实验结果表明，该方法在轴承故障诊断中具有较好的效果。
关键词：轴承故障诊断，局部特征尺度分解，最小熵解卷积，特征融合
1.引言
轴承是机械设备中非常关键的部件之一，其性能直接影响到机械设备的稳定运行。轴承故障会导致机械设备停机，给企业带来不必要的损失。因此，轴承故障诊断成为了机械设备维修与保养的重要内容之一。
目前，轴承故障诊断方法主要分为传统特征提取与深度学习方法。传统的特征提取方法需要手动设计特征，对专业知识的要求较高，并且容易受到噪声等因素的干扰。深度学习方法需要大量的数据进行训练，而轴承故障数据往往是难以获取的。因此，需要开展轴承故障诊断的有效方法研究。
2.相关工作
局部特征尺度分解方法是一种将信号分解为不同尺度下的局部特征的方法。通过局部特征尺度分解，可以提取到不同尺度下的信号特征，从而增强对故障信号的敏感性。最小熵解卷积方法是一种利用最小熵准则进行滤波的方法，可以有效地提取信号中的故障信息。特征融合方法通过将不同尺度下的故障信息进行融合，得到最终的故障诊断结果。
3.方法
本文的方法主要包括局部特征尺度分解与最小熵解卷积两个步骤。首先，通过局部特征尺度分解，将原始信号分解为不同尺度下的局部特征。具体步骤如下：
(1)对原始信号进行小波变换，得到小波系数。
(2)对小波系数进行局部特征尺度分解，得到不同尺度下的局部特征。
然后，利用最小熵解卷积方法对局部特征进行滤波，提取有效的故障信息。具体步骤如下：
(1)对局部特征进行最小熵解卷积滤波，得到滤波后的特征。
(2)对滤波后的特征进行归一化处理。
最后，通过特征融合方法对不同尺度下的故障信息进行融合，得到最终的故障诊断结果。具体步骤如下：
(1)对不同尺度下的特征进行归一化。
(2)将归一化后的特征进行加权融合，得到最终的故障诊断结果。
4.实验与结果
为了验证方法的有效性，本文在轴承故障数据集上进行了实验。将实验结果与其他方法进行了对比。实验结果表明，本文提出的基于局部特征尺度分解与最小熵解卷积的轴承故障诊断方法相比于其他方法，具有更好的精度和鲁棒性。
5.结论
本文针对轴承故障诊断问题，提出了基于局部特征尺度分解与最小熵解卷积的方法。通过将原始信号分解为不同尺度下的局部特征，并利用最小熵解卷积方法进行滤波，提取有效的故障信息。最后，通过特征融合方法对不同尺度下的故障信息进行融合，得到最终的故障诊断结果。实验结果表明，该方法在轴承故障诊断中具有较好的效果。未来的工作可以进一步优化方法并扩大其他领域的应用。
参考文献:
[1]GaoF,ZengXJ.MechanicalFaultDiagnosisBasedonEnsembleEmpiricalModeDecompositionandTime-FrequencyImageFusion[J].JournalofVibrationandShock,2019,38(24):204-210.
[2]LiG,ZhuY.BearingFaultDiagnosisofMulti-FaultBasedonMinimumEntropyDeconvolutionandSpectralKurtosisFilter[J].MechanicalSystemandSignalProcessing,2017,96:764-778.
[3]LeiY,etal.FaultDiagnosisofRollingBearingsBasedonVariationalModeDecompositionandLocalCharacteristic-ScaleDecomposition[J].JournalofSoundandVibration,2018,413:208-226.