非下采样轮廓波变换在故障分类中的应用  

Investigation on Fault Classification Based on Non-subsampled Contourlet Transform

作　　者：李宏坤[1] 崔明利 杨蕊[1] 张志新[2] 王奉涛[1] 

机构地区：[1]大连理工大学机械工程学院,大连116024 [2]大连大学机械工程学院,大连116622

出　　处：《振动．测试与诊断》2018年第3期502-507,共6页Journal of Vibration,Measurement & Diagnosis

基　　金：国家自然科学基金资助项目(51575075)

摘　　要：基于非下采样轮廓波变换的多尺度分解和多方向分解的特性,提出一种用于时频图像特征提取的方法。首先,将振动信号变换到时频域得到时频图像,并利用Matlab将得到的时频图像转换为灰度图像;其次,对该图像进行非下采样轮廓波变换,得到其高频和低频子带,根据高频子带和低频子带所包含信息不同,研究不同的特征提取方法,笔者提取高频子带的能量和低频子带的均值、标准差作为特征值;最后,利用支持向量机(support vector machine,简称SVM)对齿轮箱的不同程度故障以及滚动轴承故障进行分类测试。实验结果验证了该方法提取时频图像特征量的有效性,为设备的状态识别提供了一种有效的方法。

关 键 词：非下采样轮廓波 时频图像 支持向量机 状态识别 

分 类 号：TN911.7[电子电信—通信与信息系统] TH113.1[电子电信—信息与通信工程]