基于变参时频流形信号重构的旋转机械微弱故障检测方法

技术特征：
1.一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，包括：步骤(1)、故障带内成分提取：采用传统信号处理方法从信号中提取故障所在频带内的成分；步骤(2)、高维tfd矩阵构造：对故障带内成分进行变参时频变换，对获得的每个tfd进行降采样并转换为列向量，用于构造高维tfd矩阵；步骤(3)、tfm特征提取：对高维tfd矩阵进行流形学习，获得两维tfm特征；步骤(4)、tfm特征去噪：根据两维tfm特征的联合幅值分布确定阈值，将两维tfm特征中低于阈值的幅值置零，获得去噪后的两维tfm特征；步骤(5)、故障成分tfd重构：把去噪后的两维tfm特征按照给定的权重进行加权求和，对得到的一维向量反变换为二维矩阵，得到重构的故障成分tfd；步骤(6)、故障成分时域信号重构：把重构的故障成分tfd上采样到原始尺寸，借用故障带内成分tfd对应的相位信息，通过逆时频变换重构故障成分时域信号；其中，步骤(1)中，所述传统信号处理方法能够确定故障信息所在的频带位置并提取出其中的信号成分，滤除故障频带以外的噪声。2.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(1)中，所述传统信号处理方法包括峭度谱、稀疏谱、信息谱、经验模态分解、变分模态分解、经验小波变换、小波变换和小波包变换。3.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(2)中，所述变参时频变换采用不同的参数对信号进行时频变换，所述变参时频变换方法包括短时傅里叶变换、小波变换和维格纳-威利分布；所述降采样是能够减少数据量的方法，包括下采样、二维离散小波变化、二维离散余弦变换、二维经验模态分解和二维变分模态分解。4.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(3)中，所述流形学习是具有维数约简功能的方法，所述流形学习包括局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法和局部保留投影算法。5.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(4)中，所述两维tfm特征的联合幅值分布是指把各数据点对应的第一维tfm特征作为横坐标、第二维tfm特征作为纵坐标，该图呈对勾状，对勾的左下部分中的点为噪声点，右上部分中的点为故障脉冲点；所述阈值是区分噪声点和故障脉冲点的临界点。6.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(5)中，所述给定的权重能够把重构的故障成分tfd的幅值达到所述步骤(2)中故障带内成分tfd的幅值水平，权重获取方法包括采用高维tfd矩阵中所有维数据的均值或者其中一维数据，分别与去噪后的两维tfm特征进行数学运算得到，所述数学运算方法包括计算欧式距离、内积和余弦相似度；所述重构的故障成分tfd的尺寸与故障带内成分tfd经过降采样后的尺寸相同。7.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(6)中，所述上采样是所述步骤(2)中所述降采样的逆变换；所述原始尺寸是所述步骤(2)中故障带内成分tfd的尺寸；所述故障带内成分tfd对应的相位信息是所
述步骤(2)中故障带内成分在其中一个参数下经过时频变换得到的所有时频点的相位；所述逆时频变换是所述步骤(2)中时频变换的逆变换；其中，对重构信号做包络谱分析，通过是否识别旋转机械故障特征频率来检测是否存在故障。8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。

技术总结
本发明公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：步骤(1)、故障带内成分提取：步骤(2)、高维TFD矩阵构造：步骤(3)、TFM特征提取：步骤(4)、TFM特征去噪：步骤(5)、故障成分TFD重构：步骤(6)、故障成分时域信号重构。该技术方法至少具有以下优点：对不同机械振动信号的普适性好、计算效率高、信噪比高、能够定量分析故障严重程度等。能够定量分析故障严重程度等。能够定量分析故障严重程度等。


技术研发人员：王俊 王玉琦 黄伟国 杜贵府 沈长青 何清波
受保护的技术使用者：苏州大学
技术研发日：2022.01.21
技术公布日：2022/5/30