于 湘,方玉峰,高 煜,陈 光,夏伶勤

(浙江机电职业技术学院 增材制造学院,浙江 杭州 310053)

0 引 言

如今,机械设备正逐步朝着精密化及智能化方向发展,机械零部件在机械设备运转过程中起着重要作用。滚动轴承是旋转机械的核心部件,它一旦发生故障会造成机械设备的损伤,不仅会造成巨大的经济损失,其损伤严重时还可能会造成人员伤亡。因此,对滚动轴承进行故障诊断工作是非常有必要的[1-3]。

目前,对滚动轴承的故障进行诊断的方法有很多种,其中非常常见是基于振动信号的方法[4]。由于轴承在运转过程中会受到诸多干扰,导致所采集到的振动信号中,不仅包含轴承相应的特种成分,还包含大量的噪声。因此,轴承振动信号是一种典型的非线性、非平稳信号。

采用时频分析方法可以有效地处理此类非线性、非平稳信号。常用的时频分析方法主要有:短时傅里叶变换(short-time Fourier transform,STFT)[5]、Wigner-Ville时频分布(Wigner-Ville distribution,WVD)[6]和小波变换(wavelet transform,WT)[7]等。这类方法都属于传统的时频分析方法,都有各自的弊端,而且它们还有一个共有问题,即时频聚集性不高。

近年来,时频后处理算法逐步进入人们的视野。2017年,YU Gang等人[8]提出了一种新的时频后处理方法,即同步提取变换(SET)。该方法在短时傅里叶变换(STFT)的基础上,建立起了一种同步提取算子,仅提取时频脊线位置处的时频系数,因而能大大地提高时频聚集性。

奇异值分解(singular value decomposition, SVD)在工程中常常被用作一种降噪的手段,它可以有效去除信号中的噪声。王琛[9]将轴承振动信号用SVD进行了降噪处理,再结合神经网络,提出了一种新型的滚动轴承故障诊断方法。……