基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

简介

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解（redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD）和极限学习机（extreme learning machine,简称ELM）相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换（redundant second generation wavelet packet transform,简称RSGWPT）和局部特征尺度分解（local characteristic-scale decomposition,简称LCD）方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量（intrinsic scale components,简称ISCs）;然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解（singular value decomposition,简称SVD）,将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。