PPCA-1.5维能量谱在滚动轴承故障诊断中的应用

"本文提出了一种融合概率主成分分析(PPCA)和1.5维Teager能量谱的滚动轴承故障诊断方法，旨在解决在强背景噪声环境下滚动轴承的非线性、非平稳故障特征提取问题。通过PPCA对原始信号进行降维重构，提取故障特征主成分，有效去除噪声干扰。接着，利用1.5维能量谱分析重构后的信号，获取故障特征谱信息。对比EEMD包络谱，PPCA结合1.5维能量谱在高阶倍频提取方面表现出优势。该研究得到国家自然科学基金和中央高校基本科研业务费专项资金资助。" 文章介绍了滚动轴承故障诊断中的一个重要问题，即在存在强背景噪声的条件下，如何准确提取非线性、非平稳的故障特征。传统的故障诊断方法如经验模态分解（EEMD）虽然有一定效果，但仍存在如模态混叠等问题。为此，作者提出了一种创新的分析方法，即结合概率主成分分析（PPCA）和1.5维Teager能量谱。 PPCA是一种统计建模技术，它用于降维和特征提取。在滚动轴承故障诊断中，PPCA首先被用来处理原始信号，通过降维过程重构信号，目的是突出故障特征并减小噪声影响。这一步骤有助于提取出与故障相关的关键信息，提高后续分析的准确性。 1.5维Teager能量谱是信号分析的一种工具，特别适用于非平稳信号的能量分析。在PPCA降噪处理之后，1.5维能量谱被应用于重构信号，以揭示滚动轴承的故障特征谱信息。这种分析方法能更细致地捕捉到信号中的高频成分，包括故障产生的高阶倍频，这对于识别特定类型的轴承故障至关重要。 通过比较采用EEMD包络谱的传统方法和新提出的PPCA-1.5维能量谱方法，研究发现后者在提取滚动轴承故障的高阶倍频特征时有显著优势。这意味着，新方法在复杂噪声环境下的故障识别能力更强，能提供更精确的诊断结果。 该研究的成果不仅为滚动轴承故障诊断提供了新的思路，也为其他非线性、非平稳信号处理领域提供了可能的技术借鉴。同时，获得的资助也表明这一领域的研究具有较高的学术价值和实际应用前景。未来的研究可能会进一步优化这种方法，以提高其在不同工况和复杂条件下的诊断性能。