基于优化的morlet小波旋转机械振动故障信号微弱特征提取方法

《基于优化的morlet小波旋转机械振动故障信号微弱特征提取方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于优化的Morlet小波旋转机械振动故障信号微弱特征提取方法摘要：主要研究旋转的机械振动信号微弱故障特征提取的一种新方法，建立了仿真模型进行仿真研究，得到的仿真结果能够验证这种方法的可靠与实用性。关键词：旋转机械信号；微弱特征提取；Morlet小波1研究的背景与意义在故障状态下，机械故障信号一般会被强噪声淹没，且故障信号具有很强的随机性和时变非平稳性，我们如果想要分析如此复杂的振动信号，准确分析定位故障位置及成因，首先就需要采用合适的分析处理方法来替代传统的信号处理技术，从而得到故障信号频率__时间

2、的关系和信号能量在时间频率轴上的分布情况，从而达到诊断的目的。2基于Morlet小波的微弱特征提取2.1带宽参数优化在工程实际中，突变信号的检测需要实现增强特征信号部分并且抑制其他无关信号的目标，因此必须将选择的带宽参数fb进行调整，实现Morlet小波与信号的特征分量保持高度的相似性。当采用恰当的小波时，在时间尺度相平面上的某区域内特征成分能显示为高幅值的能量块，相反时间尺度相平面上的其他区域则发散和小波不相似的能量。Shannon熵可以用来作为衡量已选小波与特征分量的有效标准。概率分布的均匀程度通

3、过Shannon熵值的大小来体现，当最不确定概率分布时，熵值为最大。对故障信号实施小波变换，把变换后的系数整理为代表概率分布的序列pi,对pi按一定规则进行计算所得的熵值就代表了小波变换后系数矩阵的稀疏性程度。将所得的嫡称为Shannon小波熵，其表达式如下：H(p)=-pilogpi,pi=l(1)上式为经过小波系数整理构造后得到的一个不确定的概率分布，可由下式计算：pi=

4、W(ai,t)

5、/

6、W(aj，t)(2)通过分析可以了解到，当已选取的小波与特征成分匹配度最高时，其实就是Shannon小波熵

7、为最小时。依此分析，在求取最小小波熵的过程中，fb代入不同数值，来确定小波熵的大小随fb代入值不同的大小变化规律。当取最小小波熵时，fb的值就是最优的带宽参数。2.2尺度参数的优化由于尺度参数a决定了小波滤波时的频带范因此在实现了Morlet小波与特征成分达到最佳匹配效果后，为了把故障特征信息更明显、更完整地从故障信号中提取出来，必须对尺度参数a实施优化。通常噪声信号由光滑信号、故障信息与噪声信息组成。不同的信号成分的奇异值，其分布规律是不同的，因此可以采用奇异值分解方法来检测信号中的突变信息。假设一

8、组突变机械系统故障信号为xl，x2，x3，…，由测试信号构建一个维吸引子轨迹矩阵Dm,其相空间为（3）若故障信号中存在一定程度的噪声，则Dm可将表示为:Dm=D+W+V，式中D、W、V分别代表Dm中对应光滑信号、故障信息及噪声的轨迹矩阵。对Dm进行奇异值分解，Dm=UAVT，UeRmXm,VeRnXn,且UUT=I，VVT=I。八是mXN维对角矩阵，01，02，…，ok为其对角线元素，Dm的秩为k，切k=min（m，n），通常取m