超小波变换(superlet transform,SLT)是一种新的高分辨率时频分析方法,在能量聚集度、噪声鲁棒性等方面明显优于短时傅里叶变换、连续小波变换等经典时频分析方法。然而,由于故障轴承振动信号中的异常频率成分分布广泛而稀疏,对其进行SL...超小波变换(superlet transform,SLT)是一种新的高分辨率时频分析方法,在能量聚集度、噪声鲁棒性等方面明显优于短时傅里叶变换、连续小波变换等经典时频分析方法。然而,由于故障轴承振动信号中的异常频率成分分布广泛而稀疏,对其进行SLT时会出现计算量过大的问题。为提升SLT计算效率,提出基于能量分布的自适应超小波变换(energy distribution based adaptive superlet transform,ED-ASLT)方法。首先,利用Welch法进行功率谱估计,获得信号频带能量分布;其次,基于能量分布,进行频率非等间距自适应采样,得到一系列超小波中心频率;然后,根据中心频率值高低和中心频率处能量高低,确定超小波中的小波数量和窗长,构造超小波;最后,利用构造的超小波,对信号进行超小波变换。ED-ASLT方法能够根据具体故障信号的频带能量分布,识别信号中可能反映故障信息的关键频段,自适应地确定超小波参数,对信号进行高能量聚集度、高噪声鲁棒性、高效的时频分析,有助于对信号中的异常成分进行更精确的时频定位,抵御噪声的干扰,提高故障诊断准确率和效率。分别利用帕德博恩大学和东南大学实验室的轴承振动信号,从能量聚集度、噪声鲁棒性、计算耗时等方面将ED-ASLT方法与多种常用时频分析方法进行对比。结果表明,ED-ASLT在保持超小波变换高能量聚集度、高噪声鲁棒性优势的同时,能够大幅减少计算耗时,有助于为故障诊断提供更优质的判断依据。展开更多
文摘超小波变换(superlet transform,SLT)是一种新的高分辨率时频分析方法,在能量聚集度、噪声鲁棒性等方面明显优于短时傅里叶变换、连续小波变换等经典时频分析方法。然而,由于故障轴承振动信号中的异常频率成分分布广泛而稀疏,对其进行SLT时会出现计算量过大的问题。为提升SLT计算效率,提出基于能量分布的自适应超小波变换(energy distribution based adaptive superlet transform,ED-ASLT)方法。首先,利用Welch法进行功率谱估计,获得信号频带能量分布;其次,基于能量分布,进行频率非等间距自适应采样,得到一系列超小波中心频率;然后,根据中心频率值高低和中心频率处能量高低,确定超小波中的小波数量和窗长,构造超小波;最后,利用构造的超小波,对信号进行超小波变换。ED-ASLT方法能够根据具体故障信号的频带能量分布,识别信号中可能反映故障信息的关键频段,自适应地确定超小波参数,对信号进行高能量聚集度、高噪声鲁棒性、高效的时频分析,有助于对信号中的异常成分进行更精确的时频定位,抵御噪声的干扰,提高故障诊断准确率和效率。分别利用帕德博恩大学和东南大学实验室的轴承振动信号,从能量聚集度、噪声鲁棒性、计算耗时等方面将ED-ASLT方法与多种常用时频分析方法进行对比。结果表明,ED-ASLT在保持超小波变换高能量聚集度、高噪声鲁棒性优势的同时,能够大幅减少计算耗时,有助于为故障诊断提供更优质的判断依据。
