張?jiān)茝?qiáng)， 張培林， 吳定海， 李 兵

(軍械工程學(xué)院 車(chē)輛與電氣工程系，石家莊 050003)

基于最優(yōu)廣義S變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)的軸承故障診斷

張?jiān)茝?qiáng)， 張培林， 吳定海， 李 兵

(軍械工程學(xué)院 車(chē)輛與電氣工程系，石家莊 050003)

針對(duì)滾動(dòng)軸承故障信號(hào)具有明顯的非線性和非平穩(wěn)特征，提出一種基于最優(yōu)廣義S變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的故障特征提取方法。首先采用基于時(shí)頻聚集性最優(yōu)化的廣義S變換獲取軸承故障信號(hào)的時(shí)頻表示，然后利用脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)最優(yōu)廣義S變換時(shí)頻圖進(jìn)行二值分解，提取二值圖像的捕獲比序列用于表達(dá)故障信號(hào)的故障特征。對(duì)滾動(dòng)軸承4種狀態(tài)信號(hào)進(jìn)行分析，驗(yàn)證方法的有效性。結(jié)果表明該方法能夠提取出更加有效的軸承故障特征參數(shù)，有利于提高軸承故障診斷的精度。

故障診斷；滾動(dòng)軸承；特征提??；廣義S變換；脈沖耦合神經(jīng)網(wǎng)絡(luò)

滾動(dòng)軸承廣泛應(yīng)用各種旋轉(zhuǎn)機(jī)械中，其運(yùn)行狀態(tài)往往嚴(yán)重影響設(shè)備整體性能的發(fā)揮，因此對(duì)滾動(dòng)軸承進(jìn)行故障檢測(cè)和診斷具有重要的意義[1]。

當(dāng)軸承出現(xiàn)故障時(shí)，振動(dòng)信號(hào)中會(huì)出現(xiàn)周期性非平穩(wěn)沖擊成分，呈現(xiàn)出明顯的非線性、非平穩(wěn)特征[2]。時(shí)頻分析方法在二維時(shí)頻平面內(nèi)對(duì)信號(hào)進(jìn)分析，克服了傳統(tǒng)的時(shí)域和頻域分析方法在分析非平穩(wěn)信號(hào)時(shí)不能同時(shí)獲取信號(hào)的時(shí)域和頻域信息的缺陷，廣泛應(yīng)用于機(jī)械設(shè)備故障診斷領(lǐng)域。目前，常用的時(shí)頻分析方法有短時(shí)傅里葉變換(STFT)、偽魏格納分布(WVP)、連續(xù)小波變換(CWT)和S變換(ST)[3-6]，然而這些方法都存在一些不足。短時(shí)傅里葉變換的窗函數(shù)固定，不利于分析非平穩(wěn)軸承故障信號(hào)；偽魏格納分布具有良好的時(shí)頻聚集性，但存在交叉項(xiàng)干擾；小波變換尺度的大小與信號(hào)的頻率沒(méi)有良好的對(duì)應(yīng)關(guān)系；S變換雖然結(jié)合了短時(shí)傅里葉變換和小波變換的優(yōu)點(diǎn)，但其高斯窗函數(shù)的標(biāo)準(zhǔn)差固定為頻率的倒數(shù)，導(dǎo)致信號(hào)高頻部分的時(shí)頻聚集性不是很理想。鑒于此，本文引入廣義S變換(GST)[7-8]，并基于時(shí)頻聚集性度量設(shè)計(jì)了一種最優(yōu)廣義S變換，用于獲取軸承信號(hào)的時(shí)頻表示。

軸承信號(hào)的時(shí)頻圖維數(shù)巨大，因此單純的時(shí)頻分析結(jié)果不能用于軸承故障診斷。故障信號(hào)進(jìn)行時(shí)頻變換后，還需要進(jìn)一步提取特征。脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)具有良好的脈沖同步發(fā)放特性，在圖像特征提取中具有無(wú)可比擬的優(yōu)勢(shì)[9-10]。因此，為了有效提取軸承故障信號(hào)特征，提出一種基于最優(yōu)廣義S變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)的軸承故障特征提取方法。采用脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)最優(yōu)廣義S變換矩陣進(jìn)行二值分解，提取二值圖像的捕獲比序列作為軸承信號(hào)的特征參數(shù)，從而對(duì)軸承故障進(jìn)行診斷。

1 廣義S變換理論

1.1 廣義S變換定義

廣義S變換是對(duì)S變換的推廣，可由基于高斯窗函數(shù)的短時(shí)傅里葉變換導(dǎo)出[11]。對(duì)于能量有限時(shí)間信號(hào)x(t)，短時(shí)傅里葉變換定義為：

(1)

其中:τ為微小的時(shí)間積分量；w(t)為高斯窗函數(shù)，其表達(dá)式為：

(2)

基于式(2)，廣義S變換的窗函數(shù)的標(biāo)準(zhǔn)差σ定義為頻率f的p次方的倒數(shù)，即σ=1/|f|p，其中p為調(diào)整參數(shù)，通常取(0,1]，則廣義S變換可表示為：

(3)

當(dāng)p=1時(shí)，廣義S變換退化為S變換。由于廣義S變換的窗口寬度也隨著頻率的增大而減小，所以在低頻具有較高的頻率分辨率，而在高頻具有較高的時(shí)間分辨率。

1.2 最優(yōu)廣義S變換

廣義S變換通過(guò)調(diào)節(jié)參數(shù)p可以有效改變高斯窗的寬度，從而改善時(shí)頻分辨率，提高時(shí)頻聚集性能。因此，廣義S變換的時(shí)頻聚集性能是否能達(dá)到最優(yōu)，關(guān)鍵在于參數(shù)p的選擇。文獻(xiàn)[7]給出了一種時(shí)頻聚集性的度量準(zhǔn)則，定義為：

(4)

其中:GST(t,f)為能量歸一化的廣義S變換系數(shù)，即∑∑GST(t,f)=1；q為大于1的常數(shù)。

根據(jù)以上評(píng)價(jià)準(zhǔn)則，設(shè)計(jì)一種基于時(shí)頻聚集性最優(yōu)化的廣義S變換，計(jì)算步驟如下：

(1) 對(duì)于任意p∈(0,1]，根據(jù)式(3)對(duì)信號(hào)x(t)進(jìn)行廣義S變換；

(2) 對(duì)廣義S變換系數(shù)進(jìn)行能量歸一化：

GST(t,f)=GST(t,f)/∑∑GST(t,f)

(5)

(3) 取q=2，根據(jù)式(4)計(jì)算廣義S變換的時(shí)頻聚集性M(p)；

(4) 通過(guò)最小化M(p)選取最優(yōu)調(diào)節(jié)參數(shù)popt：

(6)

(5) 將p=popt代入式(3)，實(shí)現(xiàn)信號(hào)x(t)的最優(yōu)廣義S變換。

1.3 仿真信號(hào)分析

為了比較不同時(shí)頻分析方法的時(shí)頻聚集性，構(gòu)造仿真信號(hào)x(t)：

x(t)=x1(t)+x2(t)+x3(t)+x4(t)
x1(t)=sin(20πt+2πt2)
x2(t)=sin(50πt·4t)
x3(250∶280)=sin[400πt(250∶280)]
x4(750∶780)=sin[400πt(750∶780)]

(7)

信號(hào)采樣長(zhǎng)度為1 024，采樣頻率為1 024 Hz。x(t)由1個(gè)線性調(diào)頻分量、1個(gè)非線性調(diào)頻分量和2個(gè)高頻短時(shí)諧波分量組成，其時(shí)域波形如圖1所示。圖2為仿真信號(hào)經(jīng)短時(shí)傅里葉變換、偽維格納分布、S變換和廣義S變換處理后的結(jié)果。

圖1 仿真信號(hào)Fig.1 Time-domain waveform of the simulated signal

從圖2中可以看出，短時(shí)傅里葉變換時(shí)頻圖在時(shí)間和頻率上不能同時(shí)達(dá)到較好的分辨率，尤其是兩個(gè)高頻短時(shí)諧波分量的時(shí)頻聚集性較差，幾乎不可分辨；偽維格納分布由于受交叉項(xiàng)的影響，4個(gè)信號(hào)分量在圖中很難辨別；信號(hào)經(jīng)S變換后雖然各個(gè)分量能夠較清楚地辨別，但是高頻部分的時(shí)頻聚集性很差；而最優(yōu)廣義S變換時(shí)頻圖中各個(gè)分量不僅可以清晰顯示，而且不同分量的時(shí)頻聚集性都令人比較滿意。因此，與其它時(shí)頻方法相比，最優(yōu)廣義S變換的時(shí)頻聚集性最好，更加適合于處理非平穩(wěn)信號(hào)。

圖2 仿真信號(hào)的時(shí)頻圖Fig.2 Time-frequency images of the simulated signal

2 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的時(shí)頻圖特征提取

2.1 脈沖耦合神經(jīng)網(wǎng)絡(luò)

最初的PCNN模型由Eckhorn提取，但該模型結(jié)構(gòu)復(fù)雜，不便于應(yīng)用。為此，本文選擇文獻(xiàn)[12]提出一種簡(jiǎn)化PCNN模型。該模型由信號(hào)接收部分、內(nèi)部調(diào)制部分和脈沖發(fā)生器三部分組成，如圖3所示。

圖3 簡(jiǎn)化PCNN神經(jīng)元模型Fig.3 The neuron model of simplified PCNN

該簡(jiǎn)化PCNN模型可以由式(8)～(12)來(lái)描述：

Fij[n]=Iij

(8)

(9)

Uij[n]=Fij[n](1+βLij[n])

(10)

(11)

θij[n]=θij[n-1]-Δθ

(12)

其中:n為迭代次數(shù)；Fij、Iij、Lij、Uij、Yij和θij分別是神經(jīng)元(i,j)的外部輸入、外部激勵(lì)、連接輸入、內(nèi)部活動(dòng)項(xiàng)、脈沖輸出和動(dòng)態(tài)閾值；Δθ是θij的衰減步長(zhǎng)；Yijkl為以神經(jīng)元(i,j)為中心的局部脈沖輸出；Wkl為連接權(quán)矩陣W的第(k,l)個(gè)元素；β為網(wǎng)絡(luò)的耦合連接強(qiáng)度。

當(dāng)β≠0時(shí)，PCNN存在局部耦合，PCNN利用耦合連接輸入Lij對(duì)反饋輸入Fij進(jìn)行非線性調(diào)制，使各神經(jīng)元之間相互影響，導(dǎo)致一個(gè)神經(jīng)元發(fā)放脈沖的同時(shí)，會(huì)捕獲其鄰域內(nèi)與之相似的神經(jīng)元也發(fā)放脈沖，出現(xiàn)脈沖同步發(fā)放的現(xiàn)象。

2.2 最優(yōu)廣義S變換時(shí)頻圖特征提取

軸承故障信號(hào)經(jīng)最優(yōu)廣義S變換后得到一個(gè)二維時(shí)頻圖，本文利用簡(jiǎn)化PCNN良好的脈沖同步發(fā)放特性，對(duì)時(shí)頻圖進(jìn)行二值分解，然后提取用于描述軸承故障信號(hào)的特征參數(shù)。

利用PCNN對(duì)時(shí)頻圖二值分解時(shí)，對(duì)時(shí)頻圖進(jìn)行歸一化處理，使其元素在0～1，然后以歸一化時(shí)頻圖的各元素作為PCNN神經(jīng)元的外部激勵(lì)。由于PCNN捕獲神經(jīng)元是自上而下的，外部激勵(lì)較大的神經(jīng)元將首先點(diǎn)火。隨著迭代次數(shù)的增加，動(dòng)態(tài)閾值呈線衰減，所有神經(jīng)元都會(huì)依次發(fā)放脈沖，從而得到一個(gè)二值圖像序列。此二值圖像序列包含了時(shí)頻圖全部信息。

基于二值圖像序列，借鑒灰度圖像顏色直方圖的概念，定義圖像像素的捕獲比，將時(shí)頻圖的二值圖像序列轉(zhuǎn)化為一維時(shí)間序列R[n]。圖像像素的捕獲比定義為每次迭代新捕獲神經(jīng)元個(gè)數(shù)與二值圖像像素總數(shù)的比值，即：

(13)

其中:numB表示二值圖像的像素總數(shù)。

由于PCNN具有脈沖同步發(fā)放特性，并且神經(jīng)元點(diǎn)火時(shí)刻能夠大致反映出神經(jīng)元對(duì)應(yīng)時(shí)頻圖元素的大小，因而捕獲比序列R[n]能夠反映出軸承故障信號(hào)在時(shí)頻面內(nèi)的能量分布情況和局部結(jié)構(gòu)信息。據(jù)此，本文提取捕獲比序列作為軸承故障信號(hào)的特征參數(shù)。

3 滾動(dòng)軸承故障信號(hào)分析

3.1 滾動(dòng)軸承信號(hào)描述

本研究所采用的滾動(dòng)軸承振動(dòng)信號(hào)來(lái)自一個(gè)單級(jí)傳動(dòng)齒輪箱振動(dòng)實(shí)驗(yàn)。實(shí)驗(yàn)中采用的軸承型號(hào)為SKF6205深溝球軸承，并通過(guò)電火花機(jī)分別在軸承外圈、內(nèi)圈和滾動(dòng)體上加工故障直徑為0.053 mm的凹槽來(lái)模擬軸承外圈故障、內(nèi)圈故障和滾動(dòng)體故障。在載荷為3 hp的條件下，對(duì)每種軸承狀態(tài)進(jìn)行實(shí)驗(yàn)和采集數(shù)據(jù)，信號(hào)采樣頻率為12 kHz。本文對(duì)4種軸承信號(hào)進(jìn)行分析，每種狀態(tài)分別選取40個(gè)樣本，樣本長(zhǎng)度為2 048個(gè)點(diǎn)。圖4為滾動(dòng)軸承4種狀態(tài)下信號(hào)的時(shí)域波形。

圖4 軸承信號(hào)時(shí)域波形Fig.4 Time-domain waveforms of bearing signals

圖5 正常信號(hào)時(shí)頻圖Fig.5 Time-frequency images of the normal signal

3.2 軸承故障信號(hào)時(shí)頻表示

為了對(duì)比最優(yōu)廣義S變換在軸承信號(hào)時(shí)頻表示中的優(yōu)勢(shì)，對(duì)圖4中4種狀態(tài)信號(hào)分別采用短時(shí)傅里葉變換、偽魏格納分布、S變換和最優(yōu)廣義S變換進(jìn)行分析，結(jié)果如圖5～8所示。

通過(guò)對(duì)比4幅圖可以看出，由于短時(shí)傅里葉變換高斯窗口寬度固定，不能在時(shí)域和頻域同時(shí)取得較高的分辨率，因此時(shí)頻聚集性較差；因?yàn)檩S承信號(hào)常常是由多個(gè)分量信號(hào)組成的，所以偽維格納分布時(shí)頻圖中不可避免出現(xiàn)交叉項(xiàng)，嚴(yán)重影響圖像的辨識(shí)，其中正常和滾動(dòng)體故障信號(hào)尤為明顯；對(duì)于軸承外圈和內(nèi)圈故障信號(hào)而言，S變換的時(shí)頻聚集性優(yōu)于短時(shí)傅里葉變換、偽魏格納分布，但是對(duì)于正常和滾動(dòng)體故障信號(hào)而言，其時(shí)頻聚集較差，尤其是2 000 Hz以上頻率成分；最優(yōu)廣義S變換能夠根據(jù)信號(hào)自身的特點(diǎn)，自適應(yīng)選擇廣義S變換中調(diào)整參數(shù)p的大小，因此4種軸承信號(hào)的最優(yōu)廣義S變換時(shí)頻圖的時(shí)頻聚集性都比較好。因此，最優(yōu)廣義S變換更加適合于處理非平穩(wěn)軸承故障信號(hào)。

圖6 外圈故障信號(hào)時(shí)頻圖Fig.6 Time-frequency images of outer race fault signal

圖7 內(nèi)圈故障信號(hào)時(shí)頻圖Fig.7 Time-frequency images of inner race fault signal

圖8 滾動(dòng)體故障信號(hào)時(shí)頻圖Fig.8 Time-frequency images of ball fault signal

3.3 脈沖耦合神經(jīng)網(wǎng)絡(luò)特征提取

在提取特征時(shí)，需要先對(duì)簡(jiǎn)化PCNN模型參數(shù)進(jìn)行設(shè)置。簡(jiǎn)化PCNN模型涉及4個(gè)參數(shù)Wkl、β、Vθ和Δθ，其中Vθ為動(dòng)態(tài)門(mén)限θij的初值。Wkl的取值比較固定，一般選為[0.661,1,0.661;1,1,1; 0.661,1,0.661]，其余參數(shù)主要通過(guò)經(jīng)驗(yàn)和具體對(duì)象進(jìn)行設(shè)置。經(jīng)多次實(shí)驗(yàn)，β=0.1時(shí)提取的特征區(qū)分性能較好，故選取β=0.1；由于歸一化時(shí)頻圖中最大元素為1，因此設(shè)置Vθ=1；為了兼顧描述能力和時(shí)間消耗，選擇衰減步長(zhǎng)Δθ=0.05。這樣PCNN將從每個(gè)時(shí)頻圖中提取20個(gè)特征用于描述軸承信號(hào)。

圖9給出了4種軸承信號(hào)的特征提取結(jié)果，其中每類(lèi)狀態(tài)包含5個(gè)樣本。圖9(a)為短時(shí)傅里葉變換提取結(jié)果，所有曲線分布雜亂，從圖中很難準(zhǔn)確區(qū)分軸承的4種不同狀態(tài)，原因在于STFT不能自適應(yīng)調(diào)整高斯窗口大小，時(shí)頻圖時(shí)頻聚集性較差；圖9(b)是偽魏格納分布時(shí)頻圖提取結(jié)果，由于WVP存在交叉項(xiàng)，時(shí)頻分布比較模糊，致使提取的特征參數(shù)區(qū)分性能較差；S變換克服了短時(shí)傅里葉變換的缺點(diǎn)，并且不存在交叉項(xiàng)，時(shí)頻聚集性得到提高，基于S變換提取的特征如圖9(c)所示，特征參數(shù)的類(lèi)聚性明顯好于STFT和WVP，但是類(lèi)間分散性不是很理想；最優(yōu)廣義S變換通過(guò)對(duì)調(diào)整參數(shù)p的尋優(yōu)，進(jìn)一步提高了時(shí)頻圖的時(shí)頻聚集性，基于最優(yōu)廣義S變換的特征提取結(jié)果如圖9(d)所示，從圖中可以看出捕獲比序列不僅表現(xiàn)出良好的類(lèi)聚性，而且類(lèi)間分散性也比較理想。特征提取結(jié)果表明，最優(yōu)廣義S變換由于具有良好時(shí)頻聚集性，更加適合于構(gòu)造時(shí)頻圖，用于提取軸承信號(hào)特征參數(shù)。

圖9 軸承信號(hào)特征提取結(jié)果Fig.9 Feature extraction results of bearing signals

3.4 軸承故障信號(hào)分類(lèi)

為進(jìn)一步驗(yàn)證基于最優(yōu)廣義S變換和簡(jiǎn)化PCNN模型所提特征的優(yōu)越性，從每類(lèi)信號(hào)中隨機(jī)選取20個(gè)樣本作為訓(xùn)練樣本，其余20個(gè)樣本作為測(cè)試樣本，分別采用k-近鄰分類(lèi)器(k-NNC)、樸素貝葉斯分類(lèi)器(NBC)和支持向量分類(lèi)器(SVC)對(duì)軸承故障進(jìn)行識(shí)別。在k-NNC分類(lèi)時(shí)，取k=5；在SVC分類(lèi)時(shí)，采用徑向基核函數(shù)和“一對(duì)一”策略構(gòu)建多類(lèi)分類(lèi)器，并通過(guò)交叉驗(yàn)證的方法自動(dòng)選擇參數(shù)。

實(shí)驗(yàn)分類(lèi)結(jié)果如表1所示，其中STFT、WVP、ST和GST分別表示短時(shí)傅里葉變換、偽魏格納分布、S變換和廣義S變換。從表1可以看出，無(wú)論選擇何種分類(lèi)器，WVP的分類(lèi)效果最差，其次是STFT，采用SVC分類(lèi)時(shí)，ST和最優(yōu)GST具有相同的分類(lèi)精度，而采用k-NNC和NBC分類(lèi)時(shí)，最優(yōu)GST分類(lèi)精度比ST高?？傮w而言，最優(yōu)GST分類(lèi)效果優(yōu)于STFT、WVP和ST。

表1 軸承信號(hào)分類(lèi)精度(%)

4 結(jié) 論

針對(duì)非線性、非平穩(wěn)滾動(dòng)軸承故障信號(hào)，設(shè)計(jì)了基于能量聚集性最優(yōu)化的廣義S變換，并與脈沖耦合神經(jīng)網(wǎng)絡(luò)結(jié)合，提出了一種基于最優(yōu)廣義S變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)的故障特征提取方法。利用簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)良好的脈沖同步發(fā)放特性對(duì)最優(yōu)廣義S變換時(shí)頻圖進(jìn)行二值分解，定義和提取二值圖像的捕獲比序列，以此作為滾動(dòng)軸承故障信號(hào)的特征參數(shù)。仿真信號(hào)和軸承故障信號(hào)分析結(jié)果表明，與S變換、短時(shí)傅里葉變換和偽魏格納分布相比，最優(yōu)廣義S變換具有更好的時(shí)頻聚集性，基于廣義S變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)提取的特征參數(shù)具有最高的識(shí)別精度，更加適用于軸承故障診斷。

[1] 李輝, 鄭海起, 唐立偉. 基于雙樹(shù)復(fù)小波包峭度圖的軸承故障診斷研究[J]. 振動(dòng)與沖擊, 2012, 31(10): 13-18. LI Hui, ZHENG Hai-qi, TANG Li-wei. De-noising method based on generalized morphological component analysis[J]. Journal of Vibration and Shock, 2012, 31(10): 13-18.

[2] 丁康, 李巍華, 朱小勇. 齒輪及齒輪箱故障診斷實(shí)用技術(shù)[M]. 北京: 機(jī)械工業(yè)出版社, 2005.

[3] 遲華山, 王紅星, 郭奇, 等. 短時(shí)傅里葉變換在線性調(diào)頻信號(hào)時(shí)頻濾波中的應(yīng)用[J]. 電訊技術(shù), 2012, 52(2): 155-159. CHI Hua-shan, WANG Hong-xing, GUO Qi, et al. Application of STFT in time-frequency filtering of LFM signals[J]. Telecommunication Engineering, 2012, 52(2): 155-159.

[4] 蔡艷平, 李艾華, 石林鎖, 等. 基于EMD-WVD振動(dòng)譜時(shí)頻圖像SVM識(shí)別的內(nèi)燃機(jī)故障診斷[J]. 內(nèi)燃機(jī)工程, 2012, 33(2): 72-79. CAI Yan-ping, LI Ai-hua, SHI Lin-suo, et al. IC engine fault diagnosis method based on EMD-WVD vibration spectrum time-frequency image recognition by SVM[J]. Chinese Internal Combustion Engine Engineering, 2012, 33(2): 72-79.

[5] Saravanan N, Kumar Siddabattuni V N S, Ramachandran K I. A comparative study on classification of features by SVM and PSVM extracted using Morlet wavelet for fault diagnosis of spur bevel gear box[J]. Expert Systems with Applications, 2008(35): 1351-1366.

[6] Stockwell R, Mansinha L, Lowe R.Localization of the complex spectrum: The S-transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 998-1001.

[7] Djurovi I, Sejdi E, Jiang J. Frequency-based window width optimization for S-transform,[J]. AEU-International Journal of Electronics and Communications, 2008, 62(4): 245-250.

[8] 鄭旭, 郝志勇, 金陽(yáng), 等. 自適應(yīng)廣義S變換在內(nèi)燃機(jī)氣缸蓋振動(dòng)特性研究中的應(yīng)用[J]. 振動(dòng)與沖擊, 2011, 30(1): 167-170. ZHENG Xu, HAO Zhi-yong, JIN Yang,et al. Application of adaptive generalized S-transform in vibration characteristics analysis of an IC engine cylinder head [J]. Journal of Vibration and Shock, 2011, 30(1): 167-170.

[9] GU Xiao-dong. Feature extraction using unit-linking pulse coupled neural network and its applications[J]. Neural Process Letter, 2008(27): 25-41.

[10] MA Yi-de, LIU Li, ZHAN Kun, et al. Pulse coupled neural networks and one-class support vector machines for geometry invariant texture retrieval[J].Image and Vision Computing, 2010(28): 1524-1529.

[11] 陳學(xué)華, 賀振華, 黃德濟(jì). 廣義S變換及其時(shí)頻濾波[J]. 信號(hào)處理, 2008, 24(1): 28-31. CHEN Xue-hua, HE Zhen-hua, HUANG De-ji. Generalized S transform and its time-frequency filtering[J]. Signal Processing, 2008, 24(1): 28-31.

[12] 張?jiān)茝?qiáng), 張培林, 任國(guó)全. 簡(jiǎn)化PCNN在磨粒圖像顏色特征提取中的應(yīng)用[J]. 內(nèi)燃機(jī)工程, 2013, 34(5): 69-75. ZHANG Yun-qiang, ZHANG Pei-lin, REN Guo-quan. Application of simplified PCNN in color feature extraction for wear particle images[J]. Chinese Internal Combustion Engine Engineering, 2013, 34(5): 69-75.

Bearing fault diagnosis based on optimal generalized S transform and pulse coupled neural network

ZHANG Yun-qiang, ZHANG Pei-lin, WU Ding-hai, LI Bing

(Department of Vehicles and Electrical Engineering, Ordnance Engineering College, Shijiazhuang 050003, China)

Aiming at the nonlinear and non-stationary characteristics of rolling bearing fault signals, a feature extraction method based on optimal generalized S transform and pulse coupled neural network(PCNN) was proposed. The generalized S transform was optimized by measuring the time-frequency aggregation, and then utilized to achieve time-frequency representations of bearing fault signals. Time-frequency images were further decomposed into a series of binary images by the PCNN. The capture rate sequences of binary images were then defined and extracted as the bearing fault feature parameters. The rolling bearing signals under four different states were analyzed. The results indicate that the proposed method can extract more effective bearing fault feature parameters which are capable of improving the bearing fault diagnosis accuracy.

fault diagnosis; rolling bearing; feature extraction; generalized S transform; pulse coupled neural network(PCNN)

國(guó)家自然科學(xué)基金資助項(xiàng)目(E51205405,51305454)

2013-11-01

張?jiān)茝?qiáng) 男，博士生，1987年9月生

張培林 男，教授，博士生導(dǎo)師，1955年12月生

TN911.72；TH133.33

A

10.13465/j.cnki.jvs.2015.09.005