???????? 提出了一種局域波法和盲源分離相結(jié)合的發(fā)電機(jī)轉(zhuǎn)子故障診斷方法。不同故障信號(hào)的局域波時(shí)頻圖像也明顯不同，因此可以用來進(jìn)行故障的判別。為了實(shí)現(xiàn)故障的自動(dòng)分類，應(yīng)用盲源分離對(duì)不同故障信號(hào)的局域波時(shí)頻圖像進(jìn)行獨(dú)立分量分離，得到一組源圖像的投影系數(shù)。在此基礎(chǔ)上，利用概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障的自動(dòng)分類。以轉(zhuǎn)子的故障信號(hào)為例，應(yīng)用該方法進(jìn)行了研究，實(shí)驗(yàn)結(jié)果證明了該方法有效性。
關(guān)鍵詞：盲源分離；經(jīng)驗(yàn)?zāi)Ｊ椒纸猓粫r(shí)頻圖像；發(fā)電機(jī)轉(zhuǎn)子；故障診斷
???????? 在機(jī)械狀態(tài)監(jiān)控中，機(jī)器發(fā)生故障時(shí)的振動(dòng)信號(hào)具有非平穩(wěn)特性。在這類時(shí)變信號(hào)的分析中，時(shí)頻表示是比較有力的分析工具。文獻(xiàn)[1]就用小波變換理論對(duì)動(dòng)靜件碰摩故障診斷進(jìn)行了研究。這些方法的主要缺點(diǎn)是基函數(shù)是固定的，不能匹配信號(hào)的時(shí)變特性。因此,如果仍然用傳統(tǒng)的數(shù)據(jù)處理技術(shù)來分析這些信號(hào)，將損失或誤解一些有用的信息。
????????? 在這里，我們應(yīng)用局域波法[2]，來進(jìn)行聯(lián)合時(shí)頻分析。它來源于經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）和瞬時(shí)頻率的概念。EMD 首先被Huang[3]提出，它是基于數(shù)據(jù)的時(shí)間尺度的局部特征，因而更適宜處理非平穩(wěn)數(shù)據(jù)過程。通過EMD 分解和Hilbert 變換得到局域波時(shí)頻譜，是一種新的時(shí)頻表示方法。
???????? 由于該時(shí)頻方法可以表示為0～255 灰度級(jí)的圖像。因此從圖像處理的角度認(rèn)識(shí)局域波時(shí)頻譜，將其應(yīng)用于機(jī)電故障診斷領(lǐng)域，可以更充分地利用其時(shí)頻信息。盲源分離，又稱為獨(dú)立成分分析（簡稱ICA），是一種信號(hào)分解技術(shù)，其特點(diǎn)為將多路觀測(cè)信號(hào)分解成若干相互獨(dú)立的成分。目前，ICA主要應(yīng)用于盲信號(hào)分離、生物醫(yī)學(xué)信號(hào)處理、圖像消噪、人臉識(shí)別等方面[4,5]。
???????? 在此，我們應(yīng)用ICA對(duì)不同故障類別的局域波時(shí)頻譜圖像進(jìn)行基圖像的提取。可以認(rèn)為，這些局域波時(shí)頻譜圖像是由一組互相獨(dú)立的基圖像線性疊加而成。因此，用ICA求得這組基圖像,構(gòu)造一個(gè)子空間，根據(jù)待識(shí)別故障的局域波時(shí)頻圖像在這個(gè)空間里的投影系數(shù)，可以進(jìn)行故障識(shí)別。