刘 霞 孙美岩 薛海峰 庞永贵

(1.东北石油大学电气信息工程学院，黑龙江 大庆 163318；2.中国石油集团测井有限公司，西安 710021； 3.大庆物探一公司，黑龙江 大庆 163357)

根据传感器测得的振动信号对机械故障进行诊断，是机械故障诊断中一种常用的有效方法。其中的核心技术是通过分析、处理振动信号用以提取机械故障信号的特征。常用的故障特征提取方法是短时傅里叶变换及Wigner-Ville分布等。短时傅里叶变换是应用最基本的时频分析方法，同时也是一种时窗大小和形状都固定不变的分析方法。Wigner-Ville分布有很多优点，如对称性及重构性等，但也存在交叉干扰项的问题，此问题构成了时频特征模糊不清的现象，同时也受噪声的影响。为了解决以上问题并更有效地提取故障信号的特征，笔者提出了相关性小波奇异熵的算法，将小波变换、相关性、奇异值分解和信息熵理论有效地结合在一起。首先，由于轴承振动信号具有非线性、非平稳的性质[1]，而小波分析被称为信号的显微镜，适合分析非平稳信号；其次，由于信号的小波变换在各尺度间具有较强的相关性，而噪声的小波变换在各尺度却没有明显的相关性，因此引入相关计算，以去除噪声对有效信号的影响；当轴承出现不同的故障时，故障信号的奇异值也会发生相应的变化，再对相关计算后的系数进行奇异值分解；最后，利用信息熵进行计算，信息熵是对不规则复杂程度的度量。以熵值作为故障特征向量输入到概率神经网络里进行故障识别。……