史素敏, 杨春长, 王 斐

(1. 商丘学院 机械与电气信息学院, 河南 商丘 476000; 2. 32148部队, 河南 驻马店 463000; 3. 陆军工程大学 一系, 河北 石家庄 050003)

1 引 言

局部特征尺度分解(local characteristic-scale decomposition, LCD)能够将复杂的机械故障振动信号自适应地分解成一系列的内禀尺度分量(intrinsic scale component, ISC),有效地提取故障信号的特征信息[4,5]。相比于经验模态分解(EMD)[6],LCD基线信号是通过线性变换得到,因此在求取ISC分量的过程中不需要太大的迭代次数,运算速度更快,同时ISC分量包含的故障信息更多[4]。但是,LCD分解得到的所有ISC分量中,一部分为有用ISC分量,一部分为干扰ISC分量,同时干扰ISC分量中同样会包含有有用信息,因此如何对其进行选择就尤为关键,而目前比较常用的相关性分析也有可能排除有用的信息[7,8]。假如将故障信号经过LCD分解依次得到ISC分量从上往下排列成一个矩阵,那么就可以把这个矩阵看成是一组包含多种信息的高维信号,采用某种降维算法对这该信号进行降维处理,并对降维后信号进行重构,那么就可以在不损失有用信息的情况下,有效地削弱干扰信息,更加突出故障特征。而作为目前比较常用流行学习算法之一的线性局部切空间排列[9](linear local tangent space algorithm, LLTSA)对非线性信号具有很强的分析处理能力,特别是在机械故障诊断领域,它可以有效地挖掘潜在的故障信息,受到了很多学者的青睐[10～13]。

基于此,本文把LCD和LLTSA二者结合,用于对轴承故障信号的分解和故障信息获得,并通过包络分析提取故障特征频率,仿真信号和实例均验证了该方法的有效性。……