基于Morlet小波与SVD的旋转机械故障特征提取算法研究

在旋转机械故障诊断的过程中,如何从原始信号中提取故障特征成分,既是重点也是难点。Morlet小波与奇异值分解(Singular Value Decomposition,SVD)是两种现代数学分析方法,本文研究了这两种方法在故障特征提取中存在的一些重要问题,并将二者结合起来,提出了一种区别于以往的Morlet-SVD结合算法,并应用于故障特征提取,取得了良好的效果。首先,分析了尺度参数和位移参数对Morlet小波的影响,推导了Morlet小波分解时的数值计算方法;针对Morlet小波的参数优化问题,在Shannon熵理论的基础上提出了改进的优化方法,改善了Morlet小波的特征提取效果。然后,研究了基于Hankel矩阵的SVD信号分离原理,分析了对含噪信号进行奇异值分解后奇异值与原始信号中各成分的对应关系,讨论了分别代表周期性成分和噪声成分的奇异值在奇异值序列中的位置随原始信号信噪比变化的规律。其次,将Morlet小波和SVD相结合,研究了二者的结合算法,进而提出一种奇异值能量谱的方法对Morlet小波的分解结果进行特征提取,根据能量谱峰值位置得到故障特征频率所在位置,应用于仿真信号的特征提取中,取得了良好的效果。最后,将本文方法应用于旋转机械系统的故障诊断中,并通过对旋转机械实际振动信号的特征提取,验证了本文方法的有效性和工程实用性。