李泉昌 何清波 邵毅敏 丁晓喜

摘要：针对传统稀疏方法在字典构造过程的不足及稀疏表征结果的局限性问题，通过在移不变稀疏学习的框架下，引入时频流形学习，提出了一种新的移不变时频流形自学习的故障诊断方法。该方法基于时频流形对信号局部特征结构的挖掘与增强能力，采用包络谱熵获取信号特征最优本征包络模态分量，提出利用局部流形包络模态完成对全局包络信号的移不变学习与特征增强，结合相位保持以及一系列逆变换完成全局信号移不变流形模态的重构表达与增强学习，最终实现旋转机械故障信号增强与诊断分析。实验结果表明，该方法可以实现强背景噪声的有效抑制及非线性瞬态特征的高效挖掘与学习，有利于构建高效准确的故障诊断研究。

关键词：故障诊断;旋转机械;特征增强;时频流形;移不变稀疏学习

中图分类号：TH165+。3;TH133.3文献标志码：A 文章编号：1004-4523（2020）03-0622-07

DOI：10.16385/j.cnki.issn.1004-4523.2020.03.022

引言

旋转机械设备作为机械行业最为重要的组成部分，对日常生产、生活有着非常重要的作用。由于其长时间高速、满载运行，极易产生故障。对旋转机械设备进行故障诊断，既可以保证设备安全、可靠的运行，又能减少维护的成本，延长设备使用寿命，避免盲目停机检修带来巨大浪费。目前在旋转机械故障诊断方面，有诸多行之有效的信号处理方法用以提取故障冲击特征，其中稀疏学习近些年得到了广泛的应用。然而，一方面传统的稀……