准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。

S变换兼具了小波变换和快速傅里叶变换各自的优势,具有良好的时频聚集性。灰度共生矩阵能够通过研究灰度的空间相关特性来描述图像纹理。归一化信息熵能够定量的度量信号分布的复杂程度。经S变换取其模后得到S时频谱图,通过灰度共生矩阵对滚动轴承全寿命周期内不同状态进行特征提取并对其进行复杂度度量,提出了一种S-GLCM熵特征指标来反映滚动轴承的退化过程。通过对滚动轴承内圈、轴承外圈、轴承滚动体三种故障分别进行3种不同损伤程度数学模型仿真数据分析,提取各自S-GLCM指标进行对比,验证了该方法的可行性。通过对滚动轴承加速疲劳寿命周期内的数据进行分析,与工程中常用的时域指标有效值进行对比,结果表明了该方法的有效性。

针对刀具磨损状态监测问题,将图像纹理特征提取技术引入到刀具磨损故障诊断中,提出一种基于S变换时频图纹理特征的刀具磨损状态识别方法。首先采用S变换对刀具切削过程中采集的声发射信号进行时频分析,将时频图像转换为等高线灰度图,通过灰度共生矩阵算法提取图像纹理特征;然后采用散布矩阵算法对提取的特征向量进行敏感度分析,构建敏感特征向量;最后采用敏感特征向量训练离散隐马尔科夫模型,建立分类器,从而实现刀具磨损状态的识别。实验结果表明该方法可以有效地识别刀具磨损状态,识别率为96.67%。

为了更好地处理非平稳、非线性振动信号,依据Hilbert-Huang变换边际谱的思想,提出一种基于S变换的时域边际谱,并给出了利用该时域边际谱进行频谱分析的具体方法。对仿真信号的处理结果说明,该方法对振动信号中的冲击能量比较敏感,能够很好地提取冲击的特征频率,同时具有抑制信号高频成分和突出信号低频成分的特点。利用该方法对实际的振动信号进行处理,对滚动轴承故障的成功识别说明该方法能够提取微弱冲击特征频率,体现了其在振动信号频谱分析中的价值。

为更好地表征液压泵的退化状态,对液压泵退化特征提取方法和退化状态识别方法进行研究。基于S变换分析非平稳信号的优异能力以及相对熵较好表征振动信号概率分布差异的特性,提出S变换相对谱熵的液压泵退化特征提取方法,对液压泵仿真信号分析结果验证了所提出的S变换相对能谱熵和S变换相对奇异谱熵作为退化特征的有效性和可行性。将两个特征指标组成退化特征向量,对滑靴磨损和松靴故障模式下不同故障程度的液压泵振动信号进行分析,进一步验证所提出的特征指标作为液压泵退化特征的有效性。将加权灰关联法用于液压泵退化状态识别,建立了液压泵的标准退化模式矩阵,对两种故障模式下液压泵待检测样本的退化特征向量和标准模式矩阵做加权灰关联分析,根据灰关联度的大小判定液压泵的退化状态,结果验证了所提出方法的良好性能。