基于PELCD、拉普拉斯分值和VPMCD的滚动轴承故障诊断

由于大部分滚动轴承振动信号是非线性和非平稳信号，因此其故障诊断的关键是如何从非线性和非平稳信号中提取故障特征信息。本书在第2章提出的LCD方法能够自适应地将一个非平稳信号分解为若干个内禀尺度分量（ISC）和一个趋势项之和，LCD已经被应用于机械设备故障诊断，并取得了良好的效果。但LCD也存在一个很重要的缺陷，即模态混叠。本书第4章第2节提出了一种抑制LCD模态混叠的方法——部分集成局部特征尺度分解（PELCD），PELCD通过向待分析信号添加符号相反的一对白噪声，对加噪信号依据频率高低逐层进行集成平均分解，在检测出引起模态混叠的高频间歇和噪声等异常事件后，将它们从原始信号中分离，再对得到的剩余信号进行完整LCD分解。PELCD不但能够在一定程度上抑制模态混叠的产生，而且克服了原总体平均方法计算量大、分量未必满足ISC定义条件等缺陷，因此，具有一定的优越性。不足的是，PELCD参数的选择具有主观性，本节对其进行了改进，削弱了参数选择对分解结果的影响，并将改进后的PELCD方法应用于滚动轴承振动信号的处理。采用LCD将振动信号分解为若干个ISC分量之和，再提取振动信号时频域特征——时频熵[244，245]以及前几个ISC分量的时域和频域统计特征：①时域：峭度，波形指标，冲击指标，模糊熵；②频域：重心频率，频率标准差，频率均方根[244，246]。

提取上述滚动轴承故障特征信息之后，为了避免特征向量维数过高而引起信息冗余，降低诊断的效率，本节采用拉普拉斯分值（Laplacian score，LS）[247-248]对特征值按照重要程度进行排序，从中选择与故障最为密切的特征值作为特征向量来表征故障的特征，从而降低了特征向量的维数，提高了诊断的速度和效率。如上文所述，VPMCD基于假设特征值之间存在内在关系建立数学模型，针对不同的类别获得不同的数学模型，采用数学模型对特征值进行预测，把预测结果作为分类的依据，进一步进行分类识别。VPMCD无需事先选择参数，避免了神经网络的迭代和SVM的寻优过程，减少了计算量，是一种有效的模式分类方法。(www.xing528.com)

基于上述分析，提出了一种基于PELCD、LS和VPMCD的机械故障诊断模型。即：首先，采用PELCD对机械振动信号进行分解，得到若干个ISC分量；其次，选择前几个包含主要故障信息的ISC分量，并分别提取其时域和频域故障特征参数，再提取振动信号的时频域特征值，组成初始特征向量；第三，采用拉普拉斯分值对初始特征向量的各个特征值按照重要性进行排序，并依据分值由小到大的顺序选择前若干个较重要的特征值作为特征向量；最后，将特征向量输入VPMCD分类器实现机械故障类型的智能诊断。并通过滚动轴承试验数据验证了该故障诊断模型的有效性。