王 斐 房立清 呂 巖

軍械工程學(xué)院火炮工程系，石家莊，050003

局部特征尺度分解和局部切空間排列在故障特征頻率提取中的應(yīng)用

王 斐 房立清 呂 巖

軍械工程學(xué)院火炮工程系，石家莊，050003

為了從非線性、非平穩(wěn)的振動(dòng)信號(hào)中提取故障特征頻率，提出了一種故障特征頻率提取新方法。該方法將局部特征尺度分解和流形學(xué)習(xí)算法局部切空間排列相結(jié)合，首先利用局部特征尺度分解將振動(dòng)信號(hào)分解成若干個(gè)內(nèi)稟尺度分量，將其組成多維特征向量；其次采用流形學(xué)習(xí)算法中的局部切空間排列對(duì)多維特征向量進(jìn)行降維處理，得到低維特征向量，對(duì)得到的低維特征向量進(jìn)行信號(hào)重構(gòu)；最后采用頻譜分析方法對(duì)重構(gòu)信號(hào)進(jìn)行故障特征頻率的提取。在滾動(dòng)軸承故障試驗(yàn)中，所提出方法能夠準(zhǔn)確提取出內(nèi)圈和外圈故障的特征頻率，驗(yàn)證了該方法的有效性。

局部特征尺度分解；局部切空間排列；故障頻率；滾動(dòng)軸承；頻譜分析

0 引言

在機(jī)械故障診斷中，從振動(dòng)信號(hào)中提取機(jī)械零件的故障特征頻率是診斷的重要手段。但在機(jī)械運(yùn)行過(guò)程中，一方面，由于系統(tǒng)轉(zhuǎn)速不穩(wěn)定、負(fù)荷變化以及各部件產(chǎn)生大量沖擊、摩擦等作用，所獲得的振動(dòng)信號(hào)表現(xiàn)出非線性非平穩(wěn)特性；另一方面，設(shè)備各零部件的結(jié)構(gòu)和位置不同,運(yùn)行速度各異，振動(dòng)信號(hào)包含了不同零部件的各種特征頻率，特別當(dāng)故障較微弱時(shí)，其故障特征頻率往往被其他零部件產(chǎn)生的運(yùn)行振動(dòng)和隨機(jī)噪聲信號(hào)所淹沒(méi)[1]。傳統(tǒng)的Fourier變換和以其為基礎(chǔ)的短時(shí)Fourier變換，以及后來(lái)的Wigner-Ville分布等時(shí)頻分析方法不能滿足非線性和非平穩(wěn)信號(hào)的分析需要[2]；采用Hilbert變換的包絡(luò)分析存在端點(diǎn)效應(yīng)以及無(wú)法解釋負(fù)頻率等問(wèn)題[3]。這給故障特征頻率的提取帶來(lái)很大困難。

局部特征尺度分解(local characteristic-scale decomposition，LCD)是一種新的信號(hào)處理方法，該方法能夠?qū)?fù)雜的振動(dòng)信號(hào)自適應(yīng)地分解成一系列單分量的內(nèi)稟尺度分量(intrinsic scale component,ISC)，每個(gè)ISC又包含了不同尺度下的時(shí)域信息和頻域信息；通過(guò)ISC分量可以有效地提取信號(hào)的故障特征信息[4-5]。

經(jīng)LCD分解之后的振動(dòng)信號(hào)包含多個(gè)ISC分量，如何選取合適的ISC分量是準(zhǔn)確提取故障頻率的重要方面。文獻(xiàn)[6]通過(guò)比較各ISC分量與原始信號(hào)的相關(guān)性來(lái)確定合適的ISC分量，但該方法有可能遺失微弱的故障信息。流形學(xué)習(xí)法是一種基于微分幾何與拓?fù)鋵W(xué)的非線性高維數(shù)據(jù)處理方法，該方法可以有效地挖掘高維非線性數(shù)據(jù)內(nèi)在幾何分布特征，具有很好的非線性復(fù)雜信息處理能力，已被用于機(jī)械故障診斷提取領(lǐng)域[7]。LCD分解后得到的所有ISC分量可以看成一組包含多種信息的高維信號(hào)，采用流形學(xué)習(xí)方法對(duì)其進(jìn)行降維，對(duì)降維后的信號(hào)進(jìn)行重構(gòu)，重構(gòu)信號(hào)包含了故障信息的低維主特征，這樣可以有效地提取微弱的故障特征頻率。

基于上述分析，提出了一種新的故障特征頻率提取方法——局部特征尺度分解和流形學(xué)習(xí)算法局部切空間排列(local tangent space alignment,LTSA)相結(jié)合的方法，并通過(guò)試驗(yàn)驗(yàn)證了該方法的有效性。

1 局部特征尺度分解方法

LCD方法假設(shè)任意一個(gè)復(fù)雜信號(hào)可以由不同的ISC分量組成，并且任意兩個(gè)ISC分量之間相互獨(dú)立，這樣任意一個(gè)信號(hào)x(t)就可以被分解為有限個(gè)ISC分量之和，其中任何一個(gè)ISC分量滿足如下兩個(gè)條件[8]：

(1)在整個(gè)數(shù)據(jù)段內(nèi)，任意兩個(gè)相鄰極值點(diǎn)的符號(hào)互異。

(2)在整個(gè)數(shù)據(jù)段內(nèi)，所有極值點(diǎn)為Xk，極值點(diǎn)對(duì)應(yīng)的時(shí)刻為τk(k=1,2,…,M;M為極值點(diǎn)的個(gè)數(shù))，由任意相鄰兩個(gè)極大(小)值點(diǎn)(τk,Xk)、(τk+2,Xk+2)連接成的線段在其中間極小(大)值點(diǎn)(τk+1,Xk+1)相對(duì)應(yīng)時(shí)刻τk+1的函數(shù)值A(chǔ)k+1與該極小(大)值Xk+1的比值關(guān)系近似不變。其中

(1)

以上兩個(gè)條件能保證ISC分量具有局部對(duì)稱性，且在任意兩個(gè)相鄰極值點(diǎn)之間具有單一模態(tài)。根據(jù)ISC的定義，可以對(duì)x(t)進(jìn)行局部特征尺度分解，其分解過(guò)程如下[9-10]：

(1)確定x(t)的所有極值點(diǎn)Xk以及極值點(diǎn)對(duì)應(yīng)的時(shí)刻τk。連續(xù)相鄰的兩個(gè)極值點(diǎn)可以將x(t)分成若干個(gè)區(qū)間，在任意兩個(gè)相鄰的極值點(diǎn)間直接對(duì)x(t)進(jìn)行線性變換，得到

(2)

Lk+1=aAk+1+(1-a)Xk+1

(3)其中,Hk為對(duì)原信號(hào)第k個(gè)區(qū)間進(jìn)行線性變換所得到的基線段信號(hào)。對(duì)于參數(shù)a，一般取值為0.5。

(2)將Hk連接得到H1(t)，并將H1(t)從原始信號(hào)x(t)中分離出來(lái)，得到剩余信號(hào)P1(t)。理想地，如果P1(t)滿足ISC分量的判據(jù)條件，則將P1(t)作為x(t)的第一個(gè)ISC分量SISC1(t)。如果不滿足ISC分量的判據(jù)條件，則將P1(t)作為原始信號(hào)重復(fù)步驟(1)，循環(huán)i次，直到得到內(nèi)稟尺度分量Pi，Pi即為信號(hào)x(t)的第一個(gè)內(nèi)稟尺度分量SISC1(t)。

(3)將SISC1(t)從原始信號(hào)x(t)中分離出來(lái)，得到一個(gè)新的信號(hào)r1，將r1作為原始信號(hào)重復(fù)步驟(1)、步驟(2)，得到x(t)滿足ISC判據(jù)條件的第2個(gè)分量SISC2(t)，重復(fù)循環(huán)n次，得到n個(gè)滿足ISC判據(jù)條件的分量，直到rn為一單調(diào)函數(shù)或者小于預(yù)設(shè)閾值為止。這樣就可以將x(t)分解為n個(gè)ISC分量和一個(gè)余量rn之和,即

(4)

信號(hào)經(jīng)LCD分解得到若干個(gè)ISC分量后，可以仿照EMD定義時(shí)頻譜的方法定義LCD時(shí)頻譜。對(duì)SISCi(t)進(jìn)行Hilbert變換可以得到其瞬時(shí)幅值ai(t)和瞬時(shí)頻率fi(t)，這樣就可以將x(t)的幅值表示到時(shí)間-頻率的二維平面上。由此可以定義基于LCD的時(shí)頻分布:

(5)

通過(guò)H(f,t)還可以定義基于LCD的邊際譜h(f)和基于LCD的瞬時(shí)能量譜hE(t):

(6)

(7)

2 局部切空間排列

數(shù)據(jù)降維是指將高維數(shù)據(jù)通過(guò)線性或非線性映射投影到低維空間來(lái)獲得其低維表示。局部切空間排列是一種典型的非線性流形學(xué)習(xí)算法，其核心思想是利用樣本中某個(gè)點(diǎn)及其鄰域的切空間來(lái)表示這些數(shù)據(jù)點(diǎn)的局部幾何性質(zhì)，通過(guò)數(shù)據(jù)點(diǎn)在局部切空間上的投影來(lái)獲得局部低維坐標(biāo)，然后將這些局部低維坐標(biāo)經(jīng)排列變換來(lái)構(gòu)造全局低維坐標(biāo)[11-12]。對(duì)于一個(gè)給定的m維數(shù)據(jù)集，X={x1,x2,…,xn}，xi∈Rm。為了提取出一個(gè)d維(d

(1)對(duì)于高維空間的每個(gè)數(shù)據(jù)點(diǎn)xi，基于歐氏距離測(cè)度函數(shù)確定出由k個(gè)鄰近點(diǎn)組成的鄰域xi=(xi1,xi2,xi3,…,xik)。

(2)在xi的鄰域內(nèi)選擇一組正交基Qi構(gòu)成xi的d維切空間，計(jì)算鄰域內(nèi)每個(gè)點(diǎn)xij(j=1,2，…，k)的切空間的正交投影：

(4)由于e是矩陣B的0特征值對(duì)應(yīng)的特征向量，所以取B的第2～d+1個(gè)最小特征值對(duì)應(yīng)的特征向量所組成的矩陣就是X中的正交低維全局坐標(biāo)映射向量Ti，i=1,2,3。

3 基于局部特征尺度分解和LTSA的

故障特征頻率提取方法

基于LCD和LTSA維數(shù)約減的故障特征頻率提取方法的具體步驟如下[13-14]：

(1)采用LCD方法對(duì)原始振動(dòng)信號(hào)x進(jìn)行分解，得到若干個(gè)ISC分量，每個(gè)分量都包含了一定程度的故障特征信息。

(2)將所得到的n個(gè)ISC分量組成n維特征向量X,記為

X=(SISC1,SISC2,…,SISCi)i=1,2,…,n

采用局部切空間排列方法(LTSA)對(duì)X進(jìn)行降維處理，得到m(m

T=(k1,k2,…，kj)j=1,2,…,m

(3)對(duì)得到的m維特征向量(k1,k2,…，km)進(jìn)行信號(hào)重構(gòu)，得到新的信號(hào)y，y包含了振動(dòng)信號(hào)中的主要故障特征。相比原始信號(hào)，濾除掉了背景噪聲和一些次要特征，簡(jiǎn)化了原始信號(hào)所含信息，增強(qiáng)了故障信息。

(4)對(duì)重構(gòu)信號(hào)進(jìn)行頻譜分析，提取信號(hào)中的故障特征頻率。

4 滾動(dòng)軸承故障信號(hào)分析

為了驗(yàn)證本文所提出的故障特征頻率提取方法的有效性，采用滾動(dòng)軸承外圈、內(nèi)圈和滾動(dòng)體故障振動(dòng)信號(hào)進(jìn)行分析。試驗(yàn)數(shù)據(jù)來(lái)源于美國(guó)西儲(chǔ)大學(xué)滾動(dòng)軸承故障模擬試驗(yàn)臺(tái)。試驗(yàn)中所采用的軸承為6205-2RSJEMSKF深溝球軸承，軸承節(jié)徑為39.04mm，滾動(dòng)體直徑為7.94mm，滾動(dòng)體個(gè)數(shù)為9，接觸角為0，轉(zhuǎn)頻約為29Hz。軸承故障為使用電火花加工技術(shù)在軸承的內(nèi)圈、外圈、滾動(dòng)體上布置的單點(diǎn)故障，故障點(diǎn)的故障直徑為0.1778mm，損傷深度為0.28mm，軸承轉(zhuǎn)速為1772r/min，采用加速度傳感器采集振動(dòng)信號(hào)。振動(dòng)信號(hào)的采樣頻率為48kHz，數(shù)據(jù)長(zhǎng)度為48 000個(gè)點(diǎn)。根據(jù)SKF6205 深溝球軸承的標(biāo)準(zhǔn)參數(shù)，通過(guò)軸承故障頻率計(jì)算公式可得到內(nèi)外圈兩種故障的故障頻率，如表1所示。圖1為故障軸承故障特征頻率提取步驟。

表1 滾動(dòng)軸承故障頻率Tab.1 Failure frequency of rolling bearing

圖1 滾動(dòng)軸承故障頻率提取流程Fig.1 Failure frequency extract steps of rolling bearing

首先以軸承外圈故障信號(hào)為例進(jìn)行驗(yàn)證，從一組故障信號(hào)中任意選取時(shí)長(zhǎng)為0.08 s的振動(dòng)信號(hào)進(jìn)行分析，圖2和圖3分別為該段滾動(dòng)軸承外圈故障振動(dòng)信號(hào)的時(shí)域波形和頻域波形，由于背景噪聲干擾及信號(hào)的非線性、非平穩(wěn)性，很難從時(shí)域波形和頻域波形上觀察到軸承外圈的故障信息，在頻譜圖上的0～2000 Hz區(qū)間無(wú)法直接提取到故障特征頻率。

圖2 滾動(dòng)軸承外圈故障時(shí)域波形Fig.2 Time domain waveform of outer ring fault

圖3 滾動(dòng)軸承外圈故障頻域波形Fig.3 Frequency domain waveform of outer ring fault

對(duì)滾動(dòng)軸承外圈振動(dòng)信號(hào)進(jìn)行LCD分解，得到如圖4所示的高頻到低頻的6個(gè)ISC分量和一個(gè)殘余分量r。選取6個(gè)ISC分量組成6維特征向量，采用LTSA方法對(duì)6維特征向量進(jìn)行降維，目標(biāo)維數(shù)為3，鄰域參數(shù)k=12，通過(guò)計(jì)算得到3維特征向量，對(duì)3維特征向量進(jìn)行信號(hào)重構(gòu)得到如圖5所示的重構(gòu)信號(hào)，相比原始的時(shí)域信號(hào)，重構(gòu)信號(hào)在一定程度上增強(qiáng)了信號(hào)的周期性信息。對(duì)重構(gòu)信號(hào)進(jìn)行頻譜分析，得到圖6所示的0～2000 Hz范圍內(nèi)的重構(gòu)信號(hào)頻域波形圖。從頻域圖上可以非常清晰地看到105.5 Hz及其二倍頻、三倍頻，基本沒(méi)有干擾噪聲，并且與理論計(jì)算得到的外圈故障特征頻率105 Hz非常接近，可以認(rèn)為105.5 Hz為實(shí)際得到的軸承外圈的故障特征頻率。

圖4 軸承外圈故障振動(dòng)信號(hào)LCD分解結(jié)果Fig.4 LCD decomposition results of bearing outer ring fault

圖5 LTSA降維后的重構(gòu)信號(hào)Fig.5 Reconstruct signal of LTSA Dimension reduction

圖6 重構(gòu)信號(hào)頻域波形圖Fig.6 Frequency domain waveform of reconstruct signal

通過(guò)以上分析過(guò)程可知，采用LTSA降維的方法對(duì)LCD分解得到的信號(hào)進(jìn)行重構(gòu)，然后分析其頻譜特性可以非常有效地提取到軸承外圈故障特征頻率。這種方法有兩個(gè)優(yōu)點(diǎn):一是避免了振動(dòng)信號(hào)經(jīng)LCD分解后選取合適ISC分量的不便；二是采用LTSA流形學(xué)習(xí)算法，通過(guò)數(shù)學(xué)的方法有效地挖掘高維數(shù)據(jù)中的低維特征，降低信號(hào)的無(wú)規(guī)則復(fù)雜度，增強(qiáng)了有規(guī)律的故障特征。對(duì)軸承外圈故障信號(hào)的分析過(guò)程也較為充分地說(shuō)明了這兩個(gè)優(yōu)點(diǎn)。

為進(jìn)一步驗(yàn)證該方法在微弱故障特征頻率提取中的有效性，采用軸承內(nèi)圈故障振動(dòng)信號(hào)進(jìn)行分析，內(nèi)圈故障相對(duì)于外圈故障較為微弱。圖7為軸承內(nèi)圈故障信號(hào)的時(shí)域波形圖，圖8為信號(hào)的頻域波形圖，圖9為采用本文所述方法得到的重構(gòu)信號(hào)的0～1500 Hz范圍內(nèi)的頻譜圖，從圖9中同樣可以清晰地看到內(nèi)圈故障的特征頻率158.2 Hz及其倍頻成分，該方法對(duì)于軸承內(nèi)圈故障信號(hào)同樣有效。因此，該方法對(duì)微弱故障信號(hào)的特征頻率提取具有一定效果。

圖7 滾動(dòng)軸承內(nèi)圈故障時(shí)域波形Fig.7 Time domain waveform of inner ring fault

圖8 滾動(dòng)軸承內(nèi)圈故障頻域波形Fig.8 Frequency domain waveform of inner ring fault

圖9 重構(gòu)信號(hào)頻域波形圖Fig.9 Frequency domain waveform of reconstruct signal

5 結(jié)語(yǔ)

本文提出了一種新的故障特征頻率提取方法，該方法結(jié)合了LCD分解方法和LTSA流形學(xué)習(xí)算法。LCD分解可以將振動(dòng)信號(hào)分解為不同尺度下的多個(gè)ISC分量，LTSA方法可以有效地挖掘ISC分量所含信息的主要特征并得到重構(gòu)信號(hào)，對(duì)重構(gòu)信號(hào)進(jìn)行頻譜分析可得到故障特征頻率。對(duì)滾動(dòng)軸承內(nèi)圈和外圈故障振動(dòng)信號(hào)的分析驗(yàn)證了所提出方法的有效性，該方法對(duì)微弱故障振動(dòng)信號(hào)的故障特征頻率的提取也有一定的效果。

[1] 田野，侯躍謙，李萌，等.基于小波減噪的滾動(dòng)軸承故障頻率的識(shí)別[J].煤礦機(jī)械,2005(6):141-142. TIAN Ye, HOU Yueqian, LI Meng, et al. Fault Frequency Recognition of Rolling Bearing Based on Wavelet[J].Journal of Coal Mine Machinery,2005(6):141-142.

[2] 關(guān)羽,郭永剛,水小平,等. 基于小波包變換的二灘大壩地震響應(yīng)能量分析[J]. 振動(dòng)、測(cè)試與診斷,2014,34(6),1159-1163. GUAN Yu, GUO Yonggang, SHUI Xiaoping, et al. Energy Analysis of Ertan Dam Seismic Response Based on Wavelet Packet Transform[J].Journal of Vibration, Measurement&Diagnosis,2014,34(6),1159-1163.

[3] 程軍圣,鄭近德,楊宇.基于局部特征尺度分解的經(jīng)驗(yàn)包絡(luò)解調(diào)方法及其在機(jī)械故障診斷中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào),2012,48(19):87-94. CHENG Junsheng, ZHENG Jinde, YANG Yu. Empirical Envelope Demodulation Approach Based on Local Characteristic-scale Decomposition and Its applications to Mechanical Fault Diagnosis[J].Journal of Mechanical Engineering, 2012,48(19):87-94.

[4] 程軍圣，鄭近德，楊宇.一種新的非平穩(wěn)信號(hào)分析方法——局部特征尺度分解法[J].振動(dòng)工程學(xué)報(bào),2012,25(2):215-220. CHENG Junsheng, ZHENG Jinde, YANG Yu. A Nonstationary Signal Analysis Approach—the Local Characteristic-scale Decomposition Method[J].Journal of Vibration Engineering, 2012,25(2):215-220.

[5] 楊宇, 曾鳴, 程軍圣. 一種新的時(shí)頻分析方法——局部特征尺度分解[J]. 湖南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 39(6): 35-39. YANG Yu, ZENG Ming, CHENG Junsheng. A New Time-frequency Analysis Method—The Local Characteristic Scale Decomposition[J]. Journal of Hunan University(Natural Sciences),2012,39(6):35-39.

[6] 楊宇,潘海洋,程軍圣.基于LCD降噪和VPMCD的滾動(dòng)軸承故障診斷方法[J].中國(guó)機(jī)械工程，2013,24(24):3338-3344. YANG Yu,PAN Haiyang, CHENG Junsheng. A Rolling Bearing Fault Diagnosis Method Based on LCD Denoising and VPMCD[J].China Mechanical Engineering,2013,24(24):3338-3344.

[7] 向丹, 葛爽. 基于EMD樣本熵-LLTSA的故障特征提取方法[J]. 航空動(dòng)力學(xué)報(bào), 2014, 29(7): 1535-1542. XIANG Dan, GE Shuang.Method of Fault Feature Extraction Based on EMD Sample Entropy and LLTSA[J].Journal of Aerospace Power, Journal of aerospace Power , 2014, 29(7): 1535-1542.

[8] 謝平, 杜義浩, 黃雙峰. 基于信息熵的復(fù)雜機(jī)械系統(tǒng)非線性特征提取方法研究[J]. 振動(dòng)與沖擊, 2008, 27(7): 135-137. XIE Ping, DU Yihao, HUANG Shuangfeng.Research on Nonlinear Feature Extracting Method of Complex Mechanical System Based on Information Entropy[J]. Journal of Vibration and Shock, 2008, 27(7): 135-137.

[9] 艾延廷, 付琪, 田晶. 基于融合信息熵距的轉(zhuǎn)子裂紋-碰摩耦合故障診斷方法[J]. 航空動(dòng)力學(xué)報(bào), 2013, 28(10): 2161-2166. AI Yanting，F(xiàn)U Qi，TIAN Jing. Diagnosis Method for Crack-rubbing Coupled Fault Based on Integration of Information Entropyin Rotor System Distance[J]. Journal of Aerospace Power,2013, 28(10): 2161-2166.

[10] 李鵬宇, 邵忍平, 汪亞運(yùn). 基于Shannon熵的LCD-SVM的方法在齒輪故障分類中的研究[J]. 機(jī)械傳動(dòng), 2014, 38(4): 5-8. LI Pengyu, SHAO Renping, WANG Yayun. Study on the LCD-SVM Method Based on Shannon Entropy Used in Gear Fault Classification[J].Journal of Mechanical Transmission, 2014, 38(4): 5-8.

[11] ZHANG T H，YANG J，ZHAO D L．Linear Local Tangent Space Alignment and Application to Face Recognition[J].Neurocomputing,2007,70:1547-1553．

[12] ZHANG Z Y，ZHA H Y. Principal Manifolds and Nonlinear Dimensionality Reduction by Local Tangent Space Alignment[J].Scientific Computing，2004,26(1): 313-338．

[13] 張熠卓,徐光華,梁霖.利用增量式非線性流形學(xué)習(xí)的狀態(tài)監(jiān)測(cè)方法[J].西安交通大學(xué)學(xué)報(bào),2011,45(1): 64-68. ZHANU Yizhuo, XU Guanhua, LIANG Lin. Condition Monitoring Method for Mechanical Equipments Based on Incremental Nonlinear Manifold Learning[J]. Journal of Xi’an Jiaotong University, 2011,45(1):64-68.

[14] 梁霖，徐光華，栗茂．沖擊故障特征提取的非線性流形學(xué)習(xí)方法[J]．西安交通大學(xué)學(xué)報(bào)，2009, 43(11): 95-99． LIANG Lin, XU Guanghua, LI Mao. Nonlinear Manifold Learning Method of Mechanical Impact Faults Extraction[J].Journal of Xi’an Jiaotong University, 2009,43(11):95-99．

(編輯 王艷麗)

Fault Frequency Extracting Methods Based on LCD and LTSA

WANG Fei FANG Liqing LYU Yan

Artillery Engineering Department, Ordnance Engineering College, Shijiazhuang，050003

As the fault vibration signal characteristics presented non-stationary and the fault frequencies were hard to extracted, a new feature extraction method was proposed .This approach combined LCD and LTSA which was one of the typical manifold learning methods to extracting fault frequencies. Firstly, the vibration signals were decomposed into multiple intrinsic scale components in multidimensional feature vectors using LCD. Secondly, LTSA method was applied to compress the high-dimensional vectors into low-dimensional vectors, the low-dimensional vectors were used to reconstruct and the new fault signals were obtained. Finally, the new fault signal’s spectrum were analysed and the fault characteristic frequencies were acquired. The rolling bearing fault experimental results show that this new technique may extract the inner and outer ring fault frequencies, it verifies the effectiveness of this new approach.

local characteristic-scale decomposition(LCD); local tangent space alignment(LTSA); fault frequency; rolling bearing; spectral analysis

2016-04-12

河北省自然科學(xué)基金資助項(xiàng)目(E2016506003)

TH165.3

10.3969/j.issn.1004-132X.2017.05.010

王 斐，男，1990年生。軍械工程學(xué)院火炮工程系博士研究生。研究方向?yàn)楸餍阅軝z測(cè)與故障診斷技術(shù)。發(fā)表論文5篇。E-mail:m15536259885@icloud.com。房立清，男，1969年生。軍械工程學(xué)院火炮工程系教授、博士研究生導(dǎo)師。 呂 巖，男，1991年生。軍械工程學(xué)院火炮工程系碩士研究生。