基于经验小波变换和奇异值分解的旋转机械故障诊断研究：方法与应用

基于经验小波变换和奇异值分解的旋转机械故障诊断研究：方法与应用一、引言1.1研究背景与意义在现代工业体系中，旋转机械作为关键设备，广泛应用于电力、化工、航空航天、交通运输等众多领域。从发电厂的汽轮机、发电机，到化工生产中的压缩机、泵，再到航空发动机以及汽车的动力系统，旋转机械承担着能量转换、物料输送等重要任务，是维持工业生产连续性和稳定性的核心部件。例如，在火力发电中，汽轮机通过高速旋转将蒸汽的热能转化为机械能，进而驱动发电机发电，其运行状态直接影响电力供应的稳定性和可靠性；在化工行业，大型压缩机用于压缩气体，为化学反应提供必要条件，一旦压缩机出现故障，可能导致整个化工生产流程中断，造成巨大的经济损失。据统计，在工业设备故障中，旋转机械故障所占比例高达[X]%，成为影响生产效率和产品质量的主要因素之一。旋转机械故障的发生往往具有突发性和隐蔽性。一方面，由于长期处于高速、高温、高压以及复杂的工作环境中，旋转机械的零部件容易受到磨损、疲劳、腐蚀等多种因素的影响，导致性能逐渐下降，最终引发故障。例如，滚动轴承作为旋转机械中常用的支撑部件，在长时间的运转过程中，滚珠与滚道之间会产生磨损，当磨损达到一定程度时，轴承就会出现故障，进而影响整个旋转机械的正常运行。另一方面，一些早期故障迹象可能非常微弱，难以被传统的监测方法及时捕捉到，随着故障的逐渐发展，最终可能导致设备的严重损坏甚至停机事故。设备停机不仅会造成生产中断，带来直接的经济损失，还可能引发一系列连锁反应，如订单交付延迟、客户满意度下降等间接损失。此外，在一些特殊行业，如航空航天、石油化工等，旋转机械故障还可能危及人员生命安全，造成严重的社会影响。因此，对旋转机械进行准确、及时的故障诊断，对于保障工业生产的安全、稳定运行具有至关重要的意义。传统的故障诊断方法，如基于振动分析、温度监测、油液分析等技术，在一定程度上能够发现旋转机械的故障隐患，但这些方法往往存在局限性。振动分析虽然能够通过监测振动信号的特征来判断设备的运行状态，但对于复杂的非平稳振动信号，其分析效果受到限制；温度监测只能反映设备整体的热状态，对于一些局部故障的敏感度较低；油液分析则需要定期采集油样进行实验室检测，检测周期较长，难以实现实时监测。随着工业自动化和智能化的发展，旋转机械的结构和运行工况变得越来越复杂，对故障诊断技术提出了更高的要求。经验小波变换（EWT）和奇异值分解（SVD）作为两种先进的信号处理技术，为旋转机械故障诊断提供了新的思路和方法。经验小波变换是一种自适应的时频分析方法，能够根据信号的固有特性对其进行分解，有效地提取信号中的不同频率成分，特别适用于处理非平稳信号。在旋转机械故障诊断中，通过经验小波变换可以将复杂的振动信号分解为多个具有不同物理意义的分量，从而更清晰地揭示故障特征。奇异值分解则是一种强大的矩阵分解技术，能够对信号矩阵进行降维处理，去除噪声干扰，提取信号的主要特征信息。将奇异值分解应用于旋转机械故障诊断，可以有效地增强故障特征的辨识度，提高故障诊断的准确性。将经验小波变换和奇异值分解相结合，能够充分发挥两者的优势，实现对旋转机械故障信号的全面、深入分析，为故障诊断提供更加可靠的依据。基于经验小波变换和奇异值分解的故障诊断方法具有重要的研究价值和广阔的应用前景。在学术研究方面，该方法有助于推动故障诊断理论的发展，丰富信号处理技术在工程领域的应用；在实际应用中，能够为工业企业提供高效、准确的故障诊断解决方案，帮助企业及时发现和解决旋转机械故障问题，降低设备维护成本，提高生产效率和经济效益。同时，对于保障工业生产的安全、稳定运行，促进相关行业的可持续发展也具有重要的现实意义。1.2国内外研究现状随着旋转机械在工业领域的广泛应用，其故障诊断技术一直是学术界和工业界关注的焦点。国内外学者在该领域开展了大量研究，取得了丰硕的成果。在国外，早期的研究主要集中在基于振动分析的故障诊断方法。通过对振动信号的时域、频域分析，提取故障特征参数，如峰值指标、峭度指标、频谱峰值等，来判断旋转机械的运行状态。例如，[具体文献]通过对滚动轴承振动信号的时域分析，利用峰值指标成功识别出轴承的早期故障。随着信号处理技术的不断发展，小波变换逐渐应用于旋转机械故障诊断中。小波变换能够对信号进行多尺度分解，有效提取信号的时频特征，对于非平稳信号的分析具有独特优势。[具体文献]利用小波变换对齿轮箱故障信号进行分析，通过提取小波系数的能量特征，实现了对齿轮箱不同故障类型的准确诊断。近年来，深度学习技术在旋转机械故障诊断中得到了广泛应用。深度学习具有强大的特征自动提取能力和模式识别能力，能够处理复杂的非线性问题。卷积神经网络（CNN）、循环神经网络（RNN）及其变体，如长短期记忆网络（LSTM）、门控循环单元（GRU）等，被大量应用于故障诊断领域。[具体文献]提出了一种基于CNN的旋转机械故障诊断方法，通过对振动信号的时频图像进行训练，实现了对多种故障类型的高精度识别；[具体文献]利用LSTM网络对滚动轴承的故障进行预测，通过学习历史数据中的时间序列特征，提前发现潜在的故障隐患。在国内，旋转机械故障诊断技术的研究也取得了显著进展。一方面，传统的故障诊断方法，如基于经验的故障诊断、基于模型的故障诊断等，在工业生产中仍然发挥着重要作用。另一方面，随着计算机技术、信号处理技术和人工智能技术的快速发展，国内学者积极探索新的故障诊断方法和技术。在信号处理方面，除了小波变换外，经验模态分解（EMD）、局部均值分解（LMD）等自适应信号处理方法也被广泛应用于旋转机械故障诊断中。[具体文献]将EMD与支持向量机相结合，对汽轮机的故障进行诊断，通过EMD分解将振动信号分解为多个固有模态函数（IMF），然后提取IMF的特征向量作为支持向量机的输入，实现了对汽轮机故障的准确分类。在人工智能应用方面，国内学者在深度学习、机器学习等领域开展了深入研究。通过构建各种智能诊断模型，提高旋转机械故障诊断的准确性和可靠性。[具体文献]提出了一种基于深度置信网络（DBN）的故障诊断方法，通过对大量故障样本的学习，DBN能够自动提取故障特征，实现对旋转机械故障的智能诊断；[具体文献]利用粒子群优化算法对支持向量机的参数进行优化，提高了支持向量机在旋转机械故障诊断中的性能。经验小波变换作为一种新兴的信号处理技术，近年来在旋转机械故障诊断中的应用逐渐受到关注。EWT能够根据信号的频率特征自适应地构建小波滤波器组，对信号进行更精细的分解，从而更好地提取故障特征。[具体文献]将EWT应用于滚动轴承故障诊断中，通过对振动信号的EWT分解，提取各分量的能量特征和峭度指标，作为故障诊断的特征向量，取得了较好的诊断效果。奇异值分解作为一种强大的矩阵分析工具，在旋转机械故障诊断中主要用于信号降噪和特征提取。通过对信号矩阵进行奇异值分解，可以去除噪声干扰，突出故障特征信息。[具体文献]利用SVD对齿轮箱故障信号进行降噪处理，然后结合小波变换提取信号的奇异点，实现了对齿轮箱故障的准确检测。虽然国内外在旋转机械故障诊断领域取得了一定的成果，但仍存在一些问题和挑战。一方面，对于复杂工况下的旋转机械，故障信号往往受到多种因素的干扰，导致故障特征难以准确提取，诊断准确率有待进一步提高；另一方面，现有的故障诊断方法大多依赖于大量的故障样本数据进行训练，而在实际工业生产中，获取足够的故障样本数据往往比较困难，如何在小样本情况下实现准确的故障诊断，是需要解决的关键问题之一。此外，如何将多种信号处理技术和智能诊断方法有机结合，形成更加高效、准确的故障诊断系统，也是未来研究的重要方向。1.3研究目标与内容本研究旨在深入探索经验小波变换和奇异值分解在旋转机械故障诊断中的应用，通过对这两种技术的有机结合与创新应用，构建一套高效、准确的故障诊断方法，以提高旋转机械故障诊断的精度和可靠性，为工业生产中的设备维护和管理提供有力支持。具体研究内容包括以下几个方面：基于经验小波变换和奇异值分解的故障诊断方法研究：深入研究经验小波变换和奇异值分解的基本原理、算法流程及其在旋转机械故障诊断中的适用性。分析经验小波变换对旋转机械振动信号的自适应分解特性，探究如何根据信号的频率特征自动构建小波滤波器组，实现对信号中不同频率成分的有效分离。研究奇异值分解在对经验小波变换分解后的信号分量进行降噪和特征提取时的作用机制，通过对信号矩阵的奇异值分解，去除噪声干扰，提取能够反映故障特征的主要奇异值和奇异向量。算法优化与改进：针对传统经验小波变换和奇异值分解算法在旋转机械故障诊断中存在的问题，如计算复杂度高、分解精度不足、对噪声敏感等，提出相应的优化策略和改进方法。通过引入自适应参数调整机制，优化经验小波变换中滤波器组的设计，提高信号分解的准确性和效率；采用改进的奇异值分解算法，如基于快速迭代的奇异值分解方法，降低计算量，提高算法的实时性。同时，结合其他信号处理技术和数学方法，如小波包变换、主成分分析等，对经验小波变换和奇异值分解进行融合优化，进一步提升故障特征提取的效果和诊断精度。案例分析与验证：选取具有代表性的旋转机械，如滚动轴承、齿轮箱、电机等，搭建实验平台，采集不同运行状态下的振动信号数据。运用所提出的基于经验小波变换和奇异值分解的故障诊断方法，对采集到的信号数据进行分析处理，提取故障特征，并与实际故障情况进行对比验证。通过大量的实验案例分析，验证该方法在不同故障类型、故障程度和运行工况下的有效性和可靠性。同时，将该方法与传统的故障诊断方法，如基于小波变换、经验模态分解等的故障诊断方法进行对比分析，评估其在诊断精度、诊断速度等方面的优势和不足。性能评估与应用前景分析：建立科学合理的性能评估指标体系，从诊断准确率、误诊率、漏诊率、诊断时间等多个维度对基于经验小波变换和奇异值分解的故障诊断方法进行全面的性能评估。分析该方法在实际工业应用中可能面临的问题和挑战，如数据采集的可靠性、算法的实时性要求、模型的泛化能力等，并提出相应的解决方案和建议。探讨该方法在不同工业领域中的应用前景和推广价值，为其实际应用提供理论支持和技术指导。1.4研究方法与技术路线为实现研究目标，本研究综合运用多种研究方法，确保研究的科学性、全面性和深入性。文献研究法：广泛查阅国内外相关文献，涵盖学术期刊论文、学位论文、研究报告、专利文献等，全面了解旋转机械故障诊断领域的研究现状、发展趋势以及经验小波变换和奇异值分解技术的应用情况。通过对文献的梳理和分析，明确已有研究的成果与不足，为本研究提供理论基础和研究思路，避免重复性研究，确保研究的创新性和前沿性。理论分析方法：深入剖析经验小波变换和奇异值分解的基本原理、数学模型和算法流程。从理论层面探讨它们在旋转机械故障诊断中的适用性和优势，分析两种技术结合的可行性和潜在问题。通过数学推导和理论论证，优化算法参数和实现步骤，为后续的实验研究提供坚实的理论依据。实验研究法：搭建旋转机械故障模拟实验平台，选用滚动轴承、齿轮箱、电机等典型旋转机械部件，模拟不同类型和程度的故障工况。利用振动传感器、数据采集卡等设备，采集实验过程中的振动信号数据。对采集到的数据进行预处理，包括去噪、滤波、归一化等操作，以提高数据质量。运用基于经验小波变换和奇异值分解的故障诊断方法对实验数据进行分析处理，提取故障特征，并与实际故障情况进行对比验证，从而评估该方法的有效性和可靠性。对比分析法：将基于经验小波变换和奇异值分解的故障诊断方法与传统的故障诊断方法，如基于小波变换、经验模态分解、傅里叶变换等的方法进行对比分析。从诊断准确率、误诊率、漏诊率、诊断时间等多个维度，对不同方法的性能进行量化评估，突出本研究方法的优势和特点，明确其在旋转机械故障诊断领域的应用价值和改进方向。技术路线是研究过程的逻辑框架和实施步骤的直观呈现，本研究的技术路线图如图1-1所示。首先，通过文献研究全面了解旋转机械故障诊断领域的研究现状和发展趋势，明确研究的切入点和重点方向。在此基础上，深入研究经验小波变换和奇异值分解的理论基础，对其进行算法优化和改进，以提高算法的性能和适用性。然后，搭建实验平台，采集旋转机械不同运行状态下的振动信号数据，并对数据进行预处理。接着，运用优化后的经验小波变换和奇异值分解算法对预处理后的数据进行分析处理，提取故障特征，建立故障诊断模型。最后，通过实验验证和对比分析，评估模型的性能，验证研究方法的有效性和可靠性，并对研究成果进行总结和展望，为进一步的研究和应用提供参考。图1-1技术路线图二、相关理论基础2.1旋转机械故障类型与特征2.1.1常见故障类型旋转机械在长期运行过程中，由于受到多种因素的影响，容易出现各种故障。常见的故障类型包括不平衡、不对中、轴承故障、齿轮故障等，这些故障不仅会影响设备的正常运行，降低生产效率，还可能引发严重的安全事故。不平衡：不平衡是旋转机械中最为常见的故障之一。其产生原因主要包括转子结构设计不合理，如质量分布不均匀，在高速旋转时会产生较大的离心力，导致设备振动；机械加工质量偏差，加工过程中尺寸精度控制不佳，使得转子各部分质量存在差异；装配误差，装配时未能严格按照标准要求进行，造成转子与其他部件的相对位置不准确；材质不均匀，材料本身的密度、硬度等特性不一致，也会导致质量分布不均；动平衡精度差，在转子动平衡过程中，未能有效去除不平衡量。在运行过程中，联轴器相对位置的改变，如由于温度变化、机械振动等原因导致联轴器松动或变形，会破坏转子的平衡状态；转子部件缺损，如运行中由于腐蚀、磨损、介质不均匀结垢、脱落，以及转子受疲劳应力作用造成转子的零部件（如叶轮、叶片、围带、拉筋等）局部损坏、脱落，产生碎块飞出等情况，都会使转子的质量分布发生改变，从而引发不平衡故障。不平衡故障会导致设备产生强烈的振动，振动频率主要为转子的工频，且振动幅值与不平衡量的大小成正比。长期的不平衡运行会加速轴承、密封等部件的磨损，降低设备的使用寿命，严重时甚至会导致设备的损坏。不对中：转子不对中通常指相邻两转子的轴心线与轴承中心线的倾斜或偏移程度。不对中故障可分为联轴器不对中和轴承不对中。联轴器不对中又包括平行不对中、偏角不对中和平行偏角不对中三种情况。平行不对中时，振动频率为转子工频的两倍，这是因为在平行不对中状态下，联轴器两侧的转子在旋转过程中会产生周期性的相对位移，这种位移变化以两倍工频的频率出现，从而引起相应频率的振动。偏角不对中使联轴器附加一个弯矩，以力图减小两个轴中心线的偏角。轴每旋转一周，弯矩作用方向就交变一次，因此，偏角不对中增加了转子的轴向力，使转子在轴向产生工频振动。平行偏角不对中是以上两种情况的综合，会使转子发生径向和轴向振动。轴承不对中实际上反映的是轴承座标高和轴中心位置的偏差。轴承不对中会使轴系的载荷重新分配，负荷较大的轴承可能会出现高次谐波振动，这是由于轴承不对中导致轴颈与轴承之间的接触状态发生变化，产生非线性的力，从而激发出高次谐波；负荷较轻的轴承容易失稳，同时还会使轴系的临界转速发生改变，影响设备的正常运行。不对中故障会导致设备振动加剧，尤其是轴向振动明显增大，同时还可能引起设备的噪声增大、联轴器磨损加剧等问题，严重影响设备的稳定性和可靠性。轴承故障：滚动轴承是旋转机械中常用的支撑部件，其故障形式主要有疲劳剥落、磨损、塑性变形、腐蚀、断裂等。疲劳剥落是由于轴承在长期交变载荷作用下，表面金属逐渐疲劳，形成微小裂纹，随着裂纹的扩展，最终导致表面金属剥落。磨损通常是由于轴承工作表面与其他部件之间的摩擦，或者润滑不良、杂质侵入等原因引起的，磨损会使轴承的尺寸精度下降，间隙增大，从而影响设备的运行精度。塑性变形一般是在过大的载荷作用下，轴承表面材料发生塑性流动，导致表面出现凹陷或凸起。腐蚀则是由于轴承接触到腐蚀性介质，如潮湿的空气、化学溶液等，使表面金属发生化学反应而被腐蚀。断裂通常是由于轴承受到过大的冲击载荷，或者材料本身存在缺陷，在长期运行过程中裂纹逐渐扩展，最终导致轴承断裂。轴承故障会导致设备振动信号中出现特征频率成分，这些特征频率与轴承的结构参数、故障类型以及转速等因素有关。通过对振动信号中特征频率的分析，可以判断轴承是否发生故障以及故障的类型和程度。此外，轴承故障还会引起设备温度升高、噪声增大等现象。齿轮故障：齿轮是旋转机械传动系统中的关键部件，常见的故障类型有齿面磨损、齿面胶合、齿面点蚀、齿根裂纹、断齿等。齿面磨损主要是由于齿轮在啮合过程中，齿面之间存在相对滑动，同时受到载荷的作用，导致齿面材料逐渐磨损。齿面胶合通常发生在高速重载的齿轮传动中，由于齿面间的压力和摩擦力较大，使得齿面温度升高，当温度达到一定程度时，齿面间的润滑油膜破裂，齿面金属直接接触并相互粘连，在相对滑动时，齿面金属被撕下，形成胶合痕迹。齿面点蚀是在交变接触应力的作用下，齿面金属表面产生微小疲劳裂纹，裂纹逐渐扩展，使齿面金属脱落，形成麻点状凹坑。齿根裂纹一般是由于齿根处的应力集中，在长期交变载荷作用下，裂纹逐渐萌生并扩展。断齿则是齿根裂纹进一步发展，当裂纹扩展到一定程度时，牙齿在承受载荷时突然断裂。齿轮故障会使振动信号中出现与齿轮啮合频率及其倍频相关的成分，同时还会伴有调制现象，这是因为齿轮故障会导致齿轮啮合状态的变化，产生周期性的冲击和振动，从而对啮合频率进行调制。通过对振动信号中这些特征成分的分析，可以有效地诊断齿轮故障。2.1.2故障特征信号旋转机械发生故障时，会在多个物理量上表现出特征信号，如振动、温度、噪声等。这些特征信号蕴含着丰富的故障信息，是故障诊断的重要依据。振动信号：振动是旋转机械故障最直观、最常用的特征信号之一。不同类型的故障会导致不同特征的振动信号。不平衡故障引起的振动以工频为主，且振动幅值与不平衡量成正比。在时域上，振动信号表现为周期性的波动，其峰值大小反映了不平衡的严重程度；在频域上，工频成分突出，其他频率成分相对较弱。不对中故障的振动信号除了工频成分外，还会出现明显的二倍频成分，尤其是在平行不对中情况下，二倍频幅值较大。偏角不对中时，轴向振动的工频成分较为明显。在时频域分析中，可以看到不同频率成分在时间上的分布情况，进一步揭示不对中故障的特征。轴承故障会产生与轴承特征频率相关的振动信号。例如，滚动轴承的内圈故障频率、外圈故障频率、滚动体故障频率等，这些特征频率可以通过轴承的结构参数和转速计算得到。在振动信号的频谱图中，会出现这些特征频率及其倍频成分，且故障越严重，相应频率成分的幅值越大。通过对振动信号的时域分析，如计算峰值指标、峭度指标等，可以初步判断故障的存在；通过频域分析，如傅里叶变换、功率谱估计等，可以确定故障的频率特征；而时频分析方法，如小波变换、短时傅里叶变换等，则能够同时提供信号的时间和频率信息，更全面地揭示故障的特征。温度信号：温度也是反映旋转机械运行状态的重要参数。当设备发生故障时，如轴承故障、齿轮故障等，由于摩擦增大、局部过载等原因，会导致相关部位的温度升高。在正常运行情况下，旋转机械各部件的温度处于相对稳定的范围内。一旦某个部件出现故障，其温度会迅速上升，超出正常范围。通过对设备关键部位温度的实时监测，可以及时发现潜在的故障隐患。例如，在滚动轴承故障初期，由于轴承内部的摩擦增加，温度会逐渐升高，虽然此时振动信号的变化可能不明显，但温度的升高已经预示着故障的发生。随着故障的发展，温度会持续上升，同时振动信号也会出现相应的变化。因此，将温度信号与振动信号相结合，可以更准确地判断故障的类型和程度。在实际应用中，通常采用热电偶、热电阻等温度传感器来测量设备的温度，并通过数据采集系统将温度数据传输到监控中心进行分析处理。噪声信号：噪声是旋转机械运行过程中不可避免的物理现象，而故障的发生往往会导致噪声的变化。正常运行的旋转机械产生的噪声相对平稳，且频率成分较为固定。当设备出现故障时，如齿轮磨损、轴承损坏等，会产生异常的噪声。齿轮故障会使噪声中出现与齿轮啮合频率相关的高频成分，同时伴有不规则的冲击噪声。这是因为齿轮故障导致齿面的磨损、点蚀等缺陷，使得齿轮在啮合过程中产生周期性的冲击和振动，从而发出高频噪声。轴承故障会产生与轴承特征频率相关的噪声，且噪声的强度和频率会随着故障的发展而变化。在早期故障阶段，噪声可能较为微弱，随着故障的加剧，噪声会明显增大，频率成分也会变得更加复杂。通过对噪声信号的分析，如声压级测量、频谱分析等，可以提取出故障特征信息。利用声学传感器采集噪声信号，然后对信号进行滤波、放大等预处理，再通过傅里叶变换等方法进行频谱分析，从而判断设备是否存在故障以及故障的类型。噪声信号的分析可以作为振动信号和温度信号分析的补充，为旋转机械故障诊断提供更全面的信息。2.2经验小波变换理论2.2.1基本原理经验小波变换（EmpiricalWaveletTransform，EWT）是一种自适应的时频分析方法，由Gilles于2013年提出。它融合了经验模式分解（EMD）的自适应分解理念和小波变换的紧支撑框架，为非平稳信号处理提供了全新的思路。其基本原理基于对信号傅里叶频谱的自适应划分。对于给定的信号f(t)，首先对其进行傅里叶变换，得到归一化在2\pi范围内的傅里叶频谱。由于在分析过程中通常仅讨论[0,\pi]上的信号特性，因此将傅里叶频谱支撑区间定义在[0,\pi]范围内。假设该信号是由N个单分量成分构成，那么在处理过程中傅里叶谱的支撑区间会被\omega_n分割成N个连续的段（\omega_n表示各段之间的边界），共有N+1个边界，其中\omega_0=0，\omega_N=\pi。整个傅里叶轴的支撑区间表示为：\bigcup_{n=0}^{N-1}\Lambda_n=[0,\pi]其中，\Lambda_n表示划分结果，由下式表示：\Lambda_n=[\omega_n,\omega_{n+1}]\omega_n的确定思路为：对于信号f(t)的傅里叶频谱，假设算法找到频谱中M个极大值点，并对其降序排列。此时，存在两种情况：当M\geqN时，表示选出极大值的数目足够多，可以为频谱分割提供依据，此时保留前N-1个极大值；当M\ltN时，表示信号中模式分量数目的预设值偏大，此时将找到的M个极大值保留，并重置参数N，使N=M。对于信号f(t)，设前N个极大值在频域内对应的角频率为\Omega_n(n=1,\cdots,N)，那么EWT的频带划分边界\omega_n=\frac{\Omega_{n+1}+\Omega_n}{2}。在完成频谱划分后，根据划分结果构建一组紧支撑的小波滤波器组\{\varphi_n(t),\psi_n(t)\}_{n=0}^{N-1}。其中，\varphi_n(t)是尺度函数，\psi_n(t)是小波函数，它们的傅里叶变换满足以下关系：\hat{\varphi}_n(\omega)=\begin{cases}1,&\text{if}|\omega|\leq(1-\gamma_n)\omega_n\\\cos\left[\frac{\pi}{2}\beta\left(\frac{|\omega|-(1-\gamma_n)\omega_n}{2\gamma_n\omega_n}\right)\right],&\text{if}(1-\gamma_n)\omega_n\lt|\omega|\leq(1+\gamma_n)\omega_n\\0,&\text{if}|\omega|\gt(1+\gamma_n)\omega_n\end{cases}\hat{\psi}_n(\omega)=\begin{cases}1,&\text{if}(1+\gamma_{n-1})\omega_{n-1}\leq|\omega|\leq(1-\gamma_n)\omega_n\\\sin\left[\frac{\pi}{2}\beta\left(\frac{|\omega|-(1-\gamma_n)\omega_n}{2\gamma_n\omega_n}\right)\right],&\text{if}(1-\gamma_n)\omega_n\lt|\omega|\leq(1+\gamma_n)\omega_n\\\cos\left[\frac{\pi}{2}\beta\left(\frac{|\omega|-(1+\gamma_{n-1})\omega_{n-1}}{2\gamma_{n-1}\omega_{n-1}}\right)\right],&\text{if}(1-\gamma_{n-1})\omega_{n-1}\lt|\omega|\leq(1+\gamma_{n-1})\omega_{n-1}\\0,&\text{if}|\omega|\lt(1-\gamma_{n-1})\omega_{n-1}\text{or}|\omega|\gt(1+\gamma_n)\omega_n\end{cases}其中，\beta(x)是一个光滑的过渡函数，\gamma_n是一个控制滤波器带宽的参数，通常取值较小，以保证滤波器的紧支撑特性。将信号f(t)通过构建好的小波滤波器组进行滤波，得到一系列的分量信号。具体来说，信号f(t)在尺度函数\varphi_n(t)和小波函数\psi_n(t)上的投影分别为：u_{n}^0(t)=f(t)*\varphi_n(t)u_{n}^1(t)=f(t)*\psi_n(t)其中，*表示卷积运算。通过对这些分量信号进行进一步处理，可以提取信号的瞬时频率和幅值信息，从而实现对信号的时频分析。2.2.2算法步骤经验小波变换的算法步骤主要包括以下几个方面：频谱分析与划分：对原始信号f(t)进行傅里叶变换，得到其傅里叶频谱F(\omega)。在[0,\pi]范围内，寻找频谱中的极大值点，并对极大值点进行降序排列。根据极大值点的个数M与预设的分量个数N的关系，确定频带划分边界\omega_n。若M\geqN，保留前N-1个极大值对应的频率点，通过\omega_n=\frac{\Omega_{n+1}+\Omega_n}{2}计算频带划分边界；若M\ltN，则将M个极大值对应的频率点作为频带划分边界，并将N重置为M。滤波器设计：根据频带划分结果，构建紧支撑的小波滤波器组\{\varphi_n(t),\psi_n(t)\}_{n=0}^{N-1}。按照前面提到的傅里叶变换表达式，确定尺度函数\varphi_n(t)和小波函数\psi_n(t)的具体形式，其中需要选择合适的过渡函数\beta(x)和带宽控制参数\gamma_n。信号分解：将原始信号f(t)分别与尺度函数\varphi_n(t)和小波函数\psi_n(t)进行卷积运算，得到一系列的分量信号u_{n}^0(t)和u_{n}^1(t)。这些分量信号包含了原始信号在不同频率段的信息，通过对它们的进一步分析，可以实现对原始信号的特征提取和故障诊断。分量重构：如果需要，可以对分解得到的分量信号进行重构，以恢复原始信号或获取特定频率段的信号。重构公式为：f(t)=\sum_{n=0}^{N-1}\left(u_{n}^0(t)+u_{n}^1(t)\right)2.2.3特点与优势经验小波变换具有以下显著特点和优势：自适应性：EWT能够根据信号自身的频率特征自适应地划分频谱，并构建相应的小波滤波器组，无需预先设定基函数。这种自适应性使得它能够更好地适应各种复杂的非平稳信号，克服了传统小波变换依赖固定基函数的局限性。在旋转机械故障诊断中，不同故障类型对应的振动信号频率特征差异较大，经验小波变换可以根据这些信号的特点自动调整分析参数，准确地提取故障特征。时频局部化特性：与傅里叶变换相比，经验小波变换在时间和频率上都具有较好的局部化特性。通过构建紧支撑的小波滤波器组，它能够在不同的时间和频率尺度上对信号进行分析，有效地捕捉信号的瞬态变化信息。对于旋转机械故障信号中的突发冲击成分，EWT可以在时频域上精确定位这些冲击的发生时间和频率范围，为故障诊断提供更详细的信息。抗模态混叠能力：模态混叠是指在信号分解过程中，不同特征尺度的信号成分被错误地混合在同一个分量中，这会严重影响信号分析的准确性。经验小波变换通过合理的频谱划分和滤波器设计，能够有效地避免模态混叠现象的发生。在处理旋转机械复杂振动信号时，它可以将不同频率成分的信号准确地分离出来，提高故障诊断的可靠性。完整的数学理论基础：与一些基于经验的信号处理方法（如经验模态分解）不同，经验小波变换具有完整的数学理论支撑，其算法的稳定性和可靠性得到了保障。这使得在实际应用中，能够对算法的性能进行准确的分析和评估，为故障诊断结果提供有力的理论依据。计算复杂度较低：在保证信号分析精度的前提下，经验小波变换的计算复杂度相对较低，具有较好的实时性。这使得它在工业现场的实时监测和故障诊断中具有很大的应用潜力，可以快速地对采集到的旋转机械振动信号进行分析处理，及时发现故障隐患。2.3奇异值分解理论2.3.1基本原理奇异值分解（SingularValueDecomposition，SVD）是线性代数中一种重要的矩阵分解方法，在信号处理、数据挖掘、图像处理等众多领域有着广泛的应用。对于任意一个m\timesn的实矩阵A，都存在一个分解使得A=U\SigmaV^T，其中U是m\timesm的正交矩阵，其列向量称为左奇异向量；\Sigma是m\timesn的对角矩阵，对角线上的元素\sigma_i（i=1,2,\cdots,\min(m,n)）为非负实数，称为奇异值，且通常按从大到小的顺序排列；V是n\timesn的正交矩阵，其列向量称为右奇异向量，V^T表示V的转置。从几何意义上理解，奇异值分解可以看作是对线性变换的一种分解。矩阵A表示从n维空间R^n到m维空间R^m的一个线性变换。U的列向量构成了R^m空间的一组标准正交基，V的列向量构成了R^n空间的一组标准正交基。奇异值\sigma_i则表示在这两组基下，线性变换对相应基向量的缩放程度。在旋转机械故障诊断中，将采集到的振动信号构建成矩阵后进行奇异值分解，奇异值能够反映信号的能量分布情况，较大的奇异值对应着信号的主要特征信息，而较小的奇异值通常与噪声或次要信息相关。通过对奇异值的分析，可以提取出信号中与故障相关的特征，实现对旋转机械运行状态的有效监测和故障诊断。2.3.2算法步骤奇异值分解的具体算法步骤如下：计算矩阵和:对于给定的矩阵A_{m\timesn}，首先计算A的转置与A的乘积A^TA（这是一个n\timesn的方阵）以及A与A的转置的乘积AA^T（这是一个m\timesm的方阵）。这一步的目的是为后续计算奇异值和奇异向量做准备，因为A^TA和AA^T的特征值与A的奇异值之间存在密切的关系。计算特征值和特征向量：分别求解A^TA和AA^T的特征值和特征向量。对于A^TA，设其特征值为\lambda_i（i=1,2,\cdots,n），对应的特征向量为\mathbf{v}_i（i=1,2,\cdots,n）；对于AA^T，设其特征值为\mu_j（j=1,2,\cdots,m），对应的特征向量为\mathbf{u}_j（j=1,2,\cdots,m）。这里的特征值和特征向量将用于构建奇异值分解中的\Sigma、U和V矩阵。确定奇异值：A的奇异值\sigma_i（i=1,2,\cdots,\min(m,n)）定义为\sigma_i=\sqrt{\lambda_i}，其中\lambda_i是A^TA的特征值。由于特征值是非负的，所以奇异值也是非负实数。通常将奇异值按从大到小的顺序排列，这样可以突出信号的主要特征信息。构建、和矩阵：将AA^T的特征向量\mathbf{u}_j（j=1,2,\cdots,m）按列排列，构成正交矩阵U；将A^TA的特征向量\mathbf{v}_i（i=1,2,\cdots,n）按列排列，构成正交矩阵V；将奇异值\sigma_i（i=1,2,\cdots,\min(m,n)）放在对角矩阵\Sigma的对角线上，其余元素为0，得到m\timesn的对角矩阵\Sigma。这样就完成了矩阵A的奇异值分解，即A=U\SigmaV^T。在实际应用中，由于计算机的数值精度限制，对于非常小的奇异值，通常可以将其近似为0，从而实现对矩阵的降维处理，去除噪声和冗余信息，提取信号的主要特征。2.3.3特点与优势奇异值分解具有以下显著特点和优势，使其在旋转机械故障诊断中具有重要的应用价值：稳定性好：奇异值分解基于严格的数学理论，其分解结果具有较好的稳定性。在处理旋转机械振动信号时，即使信号受到一定程度的噪声干扰或测量误差的影响，奇异值分解仍然能够相对准确地提取信号的特征信息，减少噪声对诊断结果的影响，提高故障诊断的可靠性。有效提取故障特征：通过奇异值分解，可以将旋转机械振动信号的能量集中在少数几个较大的奇异值上，这些奇异值及其对应的奇异向量能够有效地反映信号的主要特征，包括故障特征。在滚动轴承故障诊断中，当轴承出现故障时，振动信号的奇异值会发生明显变化，通过对奇异值的分析，可以准确地识别出轴承的故障类型和程度。抗干扰能力强：由于奇异值分解能够将信号中的噪声和干扰信息分配到较小的奇异值上，通过舍弃这些较小的奇异值，可以有效地去除噪声干扰，增强信号中的有用信息。这使得奇异值分解在处理复杂工况下的旋转机械故障信号时，具有较强的抗干扰能力，能够准确地提取故障特征，提高诊断精度。可用于降维处理：在旋转机械故障诊断中，采集到的信号数据往往具有较高的维度，这不仅增加了计算量，还可能引入冗余信息，影响诊断效果。奇异值分解可以通过保留较大的奇异值，对信号矩阵进行降维处理，将高维数据映射到低维空间中，在保留主要特征信息的同时，减少数据量，提高计算效率，便于后续的数据分析和处理。与其他方法结合性好：奇异值分解可以与其他信号处理方法和故障诊断方法相结合，进一步提高故障诊断的性能。将奇异值分解与经验小波变换相结合，先通过经验小波变换对振动信号进行分解，然后对分解后的各个分量进行奇异值分解，能够充分发挥两种方法的优势，更全面、准确地提取故障特征，实现对旋转机械故障的高效诊断。三、基于经验小波变换和奇异值分解的故障诊断方法3.1信号采集与预处理3.1.1传感器选择与布置传感器作为获取旋转机械运行状态信息的关键设备，其选择与布置的合理性直接影响故障诊断的准确性和可靠性。在旋转机械故障诊断中，常用的传感器包括振动传感器、温度传感器等，不同类型的传感器能够捕捉到设备运行过程中的不同物理量变化，为故障诊断提供多维度的信息。振动传感器是监测旋转机械振动信号的重要工具，其原理是基于电磁感应、压电效应等，将机械振动转换为电信号输出。在选择振动传感器时，需综合考虑多个因素。根据旋转机械的振动频率范围，选择具有相应频率响应特性的传感器。对于高速旋转的设备，其振动频率较高，应选用高频响应性能好的加速度传感器；而对于一些低速重载的旋转机械，位移传感器或速度传感器可能更为适用。考虑传感器的灵敏度，灵敏度决定了传感器对微弱振动信号的感知能力，需根据实际监测需求选择合适灵敏度的传感器，以确保能够准确捕捉到故障初期的微小振动变化。环境因素也是不可忽视的，在高温、潮湿、腐蚀等特殊环境下工作的旋转机械，需选用具有相应防护性能的传感器，如耐高温、防水、防腐蚀的振动传感器，以保证传感器的正常工作和测量精度。在布置振动传感器时，需选择能够准确反映设备振动状态的关键位置。对于滚动轴承，通常将传感器布置在轴承座的水平、垂直和轴向方向，以获取轴承在不同方向上的振动信息，因为轴承故障在不同方向上的振动响应可能存在差异，通过多方向监测能够更全面地捕捉故障特征。对于齿轮箱，可将传感器布置在齿轮箱的外壳上，靠近齿轮啮合部位，这样能够更直接地监测到齿轮啮合过程中产生的振动信号，及时发现齿轮的磨损、点蚀等故障。对于电机，可在电机的前后端盖、机座等位置布置传感器，以监测电机的整体振动情况，判断电机是否存在不平衡、不对中等故障。温度传感器用于监测旋转机械关键部位的温度变化，其工作原理主要有热电阻式、热电偶式等。在选择温度传感器时，同样要考虑多方面因素。根据旋转机械的工作温度范围，选择量程合适的温度传感器，确保传感器能够准确测量设备在各种工况下的温度。考虑传感器的响应时间，对于温度变化较快的设备，需选用响应时间短的传感器，以便及时捕捉温度的动态变化，为故障诊断提供实时数据支持。精度也是选择温度传感器的重要指标之一，高精度的传感器能够更准确地测量温度，减少测量误差，提高故障诊断的准确性。在布置温度传感器时，应将其安装在可能出现故障的关键部位，如轴承、齿轮啮合处、电机绕组等。这些部位在设备运行过程中容易因摩擦、过载等原因导致温度升高，通过对这些部位温度的实时监测，可以及时发现潜在的故障隐患。对于滚动轴承，可将温度传感器安装在轴承座内部，靠近轴承外圈的位置，这样能够更准确地测量轴承的实际工作温度；对于齿轮箱，可在齿轮啮合处附近的箱体表面安装温度传感器，以监测齿轮啮合时产生的热量变化；对于电机，可将温度传感器嵌入电机绕组中，直接测量绕组的温度，防止电机因过热而损坏。3.1.2信号采集系统搭建信号采集系统是将传感器获取的模拟信号转换为数字信号，并传输至计算机进行后续处理的关键环节，其性能直接影响信号采集的准确性和完整性。信号采集系统主要由硬件和软件两部分组成。硬件部分包括传感器、信号调理电路、数据采集卡和计算机等。传感器负责将旋转机械的物理量转换为电信号输出，但传感器输出的信号通常较为微弱，且可能包含噪声干扰，因此需要通过信号调理电路对信号进行放大、滤波、隔离等处理，以提高信号质量，使其满足数据采集卡的输入要求。信号调理电路中的放大器用于将微弱的信号放大到合适的幅值范围，滤波器则用于去除信号中的高频噪声和低频干扰，隔离电路可防止信号传输过程中的电磁干扰和电气安全问题。数据采集卡是信号采集系统的核心硬件设备，其作用是将经过调理的模拟信号转换为数字信号，并传输至计算机进行存储和处理。在选择数据采集卡时，需考虑多个关键参数。采样频率是一个重要参数，根据奈奎斯特采样定理，为了准确还原原始信号，采样频率应至少是信号最高频率的两倍。在旋转机械故障诊断中，由于故障信号可能包含丰富的高频成分，因此需选择采样频率足够高的数据采集卡，以确保能够完整地采集到信号的所有信息。分辨率决定了数据采集卡对信号幅值的量化精度，分辨率越高，能够区分的信号幅值变化就越小，采集到的信号就越接近原始信号，从而提高故障诊断的准确性。通道数则根据实际监测需求确定，若需要同时监测多个传感器的信号，则需选择具有相应通道数的数据采集卡。计算机作为信号采集系统的控制和数据处理中心，负责运行数据采集软件，实现对数据采集卡的控制、数据的实时显示、存储和分析处理等功能。计算机的性能也会对信号采集系统产生影响，需具备足够的计算能力和存储容量，以保证数据处理的高效性和数据存储的安全性。软件部分主要包括数据采集软件和数据分析软件。数据采集软件用于控制数据采集卡的工作参数，如采样频率、采样点数、触发方式等，实现对传感器信号的实时采集、显示和存储。数据分析软件则用于对采集到的数据进行预处理、特征提取和故障诊断分析，如滤波、降噪、频谱分析、经验小波变换、奇异值分解等操作，通过这些分析处理，提取出能够反映旋转机械运行状态的特征参数，为故障诊断提供依据。在选择数据采集软件和数据分析软件时，需考虑软件的功能完整性、易用性和兼容性，确保软件能够满足旋转机械故障诊断的实际需求，并能够与硬件设备良好配合。3.1.3信号预处理方法从传感器采集到的原始信号往往包含各种干扰和噪声，这些干扰和噪声会影响信号的质量，降低故障特征的辨识度，因此需要对信号进行预处理，以去除干扰和噪声，提高信号质量，为后续的故障诊断分析提供可靠的数据基础。常见的信号预处理方法包括滤波、降噪、归一化等。滤波是信号预处理中常用的方法之一，其目的是去除信号中的特定频率成分，保留有用的信号信息。根据滤波的频率特性，可分为低通滤波、高通滤波、带通滤波和带阻滤波等。低通滤波用于去除信号中的高频噪声，保留低频成分，适用于旋转机械振动信号中高频噪声干扰较大的情况；高通滤波则相反，用于去除信号中的低频干扰，保留高频成分，在检测旋转机械故障信号中的高频冲击成分时较为常用；带通滤波只允许特定频率范围内的信号通过，可用于提取旋转机械故障信号中与故障特征频率相关的成分；带阻滤波则用于抑制特定频率范围内的信号，去除信号中的工频干扰等。常用的滤波算法有巴特沃斯滤波器、切比雪夫滤波器、椭圆滤波器等，这些滤波器具有不同的频率响应特性和设计参数，可根据实际信号特点和滤波需求进行选择。降噪是进一步提高信号质量的重要步骤，其目的是减少信号中的随机噪声，增强信号的有用成分。常用的降噪方法有均值滤波、中值滤波、小波降噪等。均值滤波通过计算信号在一定时间窗口内的平均值来平滑信号，去除噪声，但在去除噪声的同时也可能会使信号的细节信息有所损失；中值滤波则是用信号在一定时间窗口内的中值来代替该窗口内的信号值，能够有效地去除脉冲噪声，保留信号的边缘信息；小波降噪是基于小波变换的时频局部化特性，将信号分解到不同的尺度上，然后根据噪声和信号在不同尺度上的特性差异，对小波系数进行处理，去除噪声对应的小波系数，再通过小波逆变换重构信号，从而实现降噪的目的。小波降噪能够在去除噪声的同时较好地保留信号的细节特征，在旋转机械故障信号处理中得到了广泛应用。归一化是将信号的幅值统一到一定的范围内，消除信号幅值差异对后续分析的影响，提高数据的可比性。常见的归一化方法有最小-最大归一化（Min-MaxScaling）和Z-分数标准化（Z-scoreStandardization）等。最小-最大归一化将信号的幅值线性映射到[0,1]或[-1,1]区间内，公式为x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x为原始信号值，x_{min}和x_{max}分别为原始信号的最小值和最大值；Z-分数标准化则是将信号的均值归一化为0，标准差归一化为1，公式为x_{norm}=\frac{x-\mu}{\sigma}，其中\mu为原始信号的均值，\sigma为原始信号的标准差。在旋转机械故障诊断中，归一化能够使不同工况下采集到的信号具有统一的幅值尺度，便于后续的特征提取和故障诊断模型训练，提高诊断结果的准确性和可靠性。3.2基于经验小波变换的信号分解3.2.1频谱划分与滤波器设计在旋转机械故障诊断中，准确地划分傅里叶频谱和设计合适的小波滤波器组是基于经验小波变换进行信号分解的关键步骤。由于旋转机械在运行过程中产生的振动信号是复杂的非平稳信号，包含了多种频率成分，这些频率成分与设备的运行状态密切相关，因此需要对其进行精细分析。对于采集到的旋转机械振动信号f(t)，首先对其进行傅里叶变换，得到归一化在2\pi范围内的傅里叶频谱。由于在实际分析中通常仅关注[0,\pi]上的信号特性，故将傅里叶频谱支撑区间定义在[0,\pi]范围内。假设该振动信号是由N个单分量成分构成，那么傅里叶谱的支撑区间会被\omega_n分割成N个连续的段（\omega_n表示各段之间的边界），共有N+1个边界，其中\omega_0=0，\omega_N=\pi。整个傅里叶轴的支撑区间表示为：\bigcup_{n=0}^{N-1}\Lambda_n=[0,\pi]其中，\Lambda_n表示划分结果，由下式表示：\Lambda_n=[\omega_n,\omega_{n+1}]确定\omega_n的方法如下：对信号f(t)的傅里叶频谱进行分析，找到频谱中M个极大值点，并对其按降序排列。当M\geqN时，说明选出的极大值数目足够多，能够为频谱分割提供依据，此时保留前N-1个极大值；当M\ltN时，意味着信号中模式分量数目的预设值偏大，此时将找到的M个极大值保留，并重置参数N，使N=M。对于信号f(t)，设前N个极大值在频域内对应的角频率为\Omega_n(n=1,\cdots,N)，那么EWT的频带划分边界\omega_n=\frac{\Omega_{n+1}+\Omega_n}{2}。通过这种方式，能够根据信号自身的频率特征自适应地划分频谱，从而更准确地捕捉到信号中的不同频率成分。在完成频谱划分后，需要根据划分结果构建一组紧支撑的小波滤波器组\{\varphi_n(t),\psi_n(t)\}_{n=0}^{N-1}。其中，\varphi_n(t)是尺度函数，\psi_n(t)是小波函数，它们的傅里叶变换满足以下关系：\hat{\varphi}_n(\omega)=\begin{cases}1,&\text{if}|\omega|\leq(1-\gamma_n)\omega_n\\\cos\left[\frac{\pi}{2}\beta\left(\frac{|\omega|-(1-\gamma_n)\omega_n}{2\gamma_n\omega_n}\right)\right],&\text{if}(1-\gamma_n)\omega_n\lt|\omega|\leq(1+\gamma_n)\omega_n\\0,&\text{if}|\omega|\gt(1+\gamma_n)\omega_n\end{cases}\hat{\psi}_n(\omega)=\begin{cases}1,&\text{if}(1+\gamma_{n-1})\omega_{n-1}\leq|\omega|\leq(1-\gamma_n)\omega_n\\\sin\left[\frac{\pi}{2}\beta\left(\frac{|\omega|-(1-\gamma_n)\omega_n}{2\gamma_n\omega_n}\right)\right],&\text{if}(1-\gamma_n)\omega_n\lt|\omega|\leq(1+\gamma_n)\omega_n\\\cos\left[\frac{\pi}{2}\beta\left(\frac{|\omega|-(1+\gamma_{n-1})\omega_{n-1}}{2\gamma_{n-1}\omega_{n-1}}\right)\right],&\text{if}(1-\gamma_{n-1})\omega_{n-1}\lt|\omega|\leq(1+\gamma_{n-1})\omega_{n-1}\\0,&\text{if}|\omega|\lt(1-\gamma_{n-1})\omega_{n-1}\text{or}|\omega|\gt(1+\gamma_n)\omega_n\end{cases}其中，\beta(x)是一个光滑的过渡函数，通常选择为\beta(x)=x^4(35-84x+70x^2-20x^3)，它能够保证滤波器在频域上的平滑过渡；\gamma_n是一个控制滤波器带宽的参数，通常取值较小，如\gamma_n=0.1，以保证滤波器的紧支撑特性。通过合理选择\beta(x)和\gamma_n，可以使构建的小波滤波器组更好地适应信号的频率特征，实现对信号的有效分解。3.2.2信号分解与特征提取在完成频谱划分和滤波器设计后，就可以对采集到的旋转机械振动信号进行经验小波变换分解，并提取各分量的瞬时频率和幅值特征。将原始振动信号f(t)分别通过构建好的尺度函数\varphi_n(t)和小波函数\psi_n(t)进行滤波，得到一系列的分量信号。具体来说，信号f(t)在尺度函数\varphi_n(t)和小波函数\psi_n(t)上的投影分别为：u_{n}^0(t)=f(t)*\varphi_n(t)u_{n}^1(t)=f(t)*\psi_n(t)其中，*表示卷积运算。u_{n}^0(t)和u_{n}^1(t)包含了原始信号在不同频率段的信息，通过对它们的进一步处理，可以实现对原始信号的特征提取和故障诊断。为了提取各分量的瞬时频率和幅值特征，采用希尔伯特变换对分解得到的分量信号进行处理。对于分量信号u(t)，其希尔伯特变换为H[u(t)]，可以构造解析信号z(t)=u(t)+jH[u(t)]，其中j为虚数单位。解析信号z(t)的幅值A(t)=\sqrt{u^2(t)+H^2[u(t)]}即为原始信号的瞬时幅值，它反映了信号在不同时刻的能量大小；解析信号z(t)的相位\theta(t)=\arctan\left(\frac{H[u(t)]}{u(t)}\right)，对相位求导得到瞬时频率f(t)=\frac{1}{2\pi}\frac{d\theta(t)}{dt}，瞬时频率能够反映信号频率随时间的变化情况，对于分析旋转机械故障的动态过程具有重要意义。在滚动轴承故障诊断中，通过经验小波变换将振动信号分解为多个分量后，对各分量进行希尔伯特变换，提取其瞬时频率和幅值特征。当轴承出现故障时，如内圈故障、外圈故障或滚动体故障，相应的故障特征频率会在某些分量的瞬时频率中表现出来，同时瞬时幅值也会发生变化。通过监测这些特征的变化，可以准确地判断轴承是否发生故障以及故障的类型和程度。对各分量的瞬时频率和幅值特征进行进一步分析和处理，可以采用统计分析方法，计算均值、方差、峰值指标、峭度指标等统计参数，这些参数能够从不同角度反映信号的特征，为故障诊断提供更丰富的信息。可以利用机器学习算法，如支持向量机、神经网络等，将提取的特征参数作为输入，训练故障诊断模型，实现对旋转机械故障的自动识别和分类。3.3基于奇异值分解的特征提取与降维3.3.1构造特征矩阵在对旋转机械振动信号进行经验小波变换分解后，为了进一步提取故障特征并降低数据维度，需要利用分解得到的分量构造特征矩阵。构造特征矩阵是将信号数据转化为适合奇异值分解处理的形式，其关键在于合理组织分解后的信号分量，以充分反映旋转机械的运行状态信息。设经过经验小波变换后，将原始振动信号f(t)分解为N个分量，分别记为IMF_1(t),IMF_2(t),\cdots,IMF_N(t)。这些分量包含了原始信号在不同频率段的特征信息，每个分量都反映了旋转机械运行状态的某个方面。为了构建特征矩阵，首先对每个分量进行处理。对于每个分量IMF_i(t)，选取一定长度的时间序列数据段，例如选取M个连续的采样点。然后，将这些采样点的数据按列排列，形成一个列向量\mathbf{x}_i，即\mathbf{x}_i=[IMF_i(t_1),IMF_i(t_2),\cdots,IMF_i(t_M)]^T，其中t_j表示第j个采样时刻。将所有分量对应的列向量按顺序排列，组成一个矩阵X，即X=[\mathbf{x}_1,\mathbf{x}_2,\cdots,\mathbf{x}_N]。这个矩阵X就是构造得到的特征矩阵，其维度为M\timesN。通过这种方式构造的特征矩阵，将经验小波变换分解得到的各个分量的信息整合在一起，为后续的奇异值分解提供了合适的数据结构。在滚动轴承故障诊断中，假设经过经验小波变换将振动信号分解为5个分量，选取每个分量的1000个连续采样点，将这些采样点数据按上述方法组成一个1000\times5的特征矩阵，该矩阵包含了滚动轴承振动信号在不同频率段和时间上的信息，为进一步提取故障特征奠定了基础。3.3.2奇异值分解与特征提取在构造好特征矩阵X后，对其进行奇异值分解，以提取能够有效反映旋转机械故障特征的奇异值。奇异值分解是一种强大的矩阵分析工具，它能够将一个矩阵分解为三个矩阵的乘积，即X=U\SigmaV^T，其中U是M\timesM的正交矩阵，其列向量称为左奇异向量；\Sigma是M\timesN的对角矩阵，对角线上的元素\sigma_i（i=1,2,\cdots,\min(M,N)）为非负实数，称为奇异值，且通常按从大到小的顺序排列；V是N\timesN的正交矩阵，其列向量称为右奇异向量，V^T表示V的转置。奇异值在旋转机械故障诊断中具有重要的物理意义，它们能够反映信号的能量分布情况。在正常运行状态下，旋转机械的振动信号相对平稳，能量分布较为均匀，奇异值的大小和分布具有一定的规律性。当设备发生故障时，振动信号的能量分布会发生改变，相应地，奇异值也会出现明显变化。在滚动轴承出现内圈故障时，振动信号的能量会在某些频率成分上集中，导致对应的奇异值增大或减小，且奇异值的分布模式也会发生改变。通过分析奇异值的变化情况，可以有效地提取故障特征，判断旋转机械是否处于故障状态以及故障的类型和程度。为了更准确地提取故障特征，通常对奇异值进行进一步处理。计算奇异值的能量占比，即每个奇异值的平方与所有奇异值平方和的比值，它能够更直观地反映每个奇异值在总能量中的贡献程度。设奇异值为\sigma_1,\sigma_2,\cdots,\sigma_n（n=\min(M,N)），则第i个奇异值的能量占比p_i为：p_i=\frac{\sigma_i^2}{\sum_{j=1}^{n}\sigma_j^2}通过分析奇异值能量占比的变化，可以更清晰地捕捉到故障特征。在齿轮箱故障诊断中，当齿轮出现磨损、点蚀等故障时，某些奇异值的能量占比会显著增加，而其他奇异值的能量占比则会相应减小，通过监测这些变化，可以及时发现齿轮箱的故障隐患。3.3.3特征降维处理在提取奇异值特征后，由于奇异值的数量较多，可能会包含冗余信息，增加计算复杂度，同时也可能影响故障诊断的效率和准确性。因此，需要对提取的奇异值特征进行降维处理，以降低数据维度，去除冗余信息，提高诊断效率。主成分分析（PrincipalComponentAnalysis，PCA）是一种常用的特征降维方法，它能够在保留数据主要特征的前提下，将高维数据映射到低维空间。主成分分析的基本原理是基于数据的协方差矩阵，通过对协方差矩阵进行特征值分解，找到数据的主要成分，即主成分。对于包含n个奇异值的特征向量\mathbf{\sigma}=[\sigma_1,\sigma_2,\cdots,\sigma_n]^T，首先计算其协方差矩阵C：C=\frac{1}{m-1}(\mathbf{\sigma}-\overline{\mathbf{\sigma}})(\mathbf{\sigma}-\overline{\mathbf{\sigma}})^T其中，m是样本数量，\overline{\mathbf{\sigma}}是奇异值特征向量的均值。然后，对协方差矩阵C进行特征值分解，得到特征值\lambda_1\geq\lambda_2\geq\cdots\geq\lambda_n和对应的特征向量\mathbf{v}_1,\mathbf{v}_2,\cdots,\mathbf{v}_n。这些特征向量构成了新的坐标系，即主成分轴。根据特征值的大小，选择前k个主成分（k\ltn），使得累计贡献率达到一定的阈值，如95\%或99\%。累计贡献率R_k的计算公式为：R_k=\frac{\sum_{i=1}^{k}\lambda_i}{\sum_{i=1}^{n}\lambda_i}将原始的奇异值特征向量\mathbf{\sigma}投影到选择的前k个主成分上，得到降维后的特征向量\mathbf{y}：\mathbf{y}=[\mathbf{v}_1^T\mathbf{\sigma},\mathbf{v}_2^T\mathbf{\sigma},\cdots,\mathbf{v}_k^T\mathbf{\sigma}]^T通过主成分分析进行特征降维后，数据维度从n降低到k，不仅减少了计算量，还去除了冗余信息，提高了数据的质量和故障诊断的效率。在实际应用中，降维后的特征向量\mathbf{y}可以作为故障诊断模型的输入，如支持向量机、神经网络等，用于训练和预测旋转机械的运行状态。除了主成分分析外，还有其他一些特征降维方法，如线性判别分析（LDA）、局部线性嵌入（LLE）等，可根据具体的应用场景和数据特点选择合适的降维方法，以进一步提高故障诊断的性能。3.4故障诊断模型构建与识别3.4.1选择分类算法在旋转机械故障诊断中，构建准确有效的故障诊断模型至关重要，而选择合适的分类算法是构建模型的关键环节。常见的分类算法包括支持向量机（SVM）、神经网络等，它们各自具有独特的特点和适用场景。支持向量机是一种基于统计学习理论的机器学习算法，它通过寻找一个最优分类超平面，将不同类别的样本分开，在小样本、非线性及高维模式识别问题中具有独特的优势。支持向量机的核心思想是将低维空间中的非线性分类问题通过核函数映射到高维空间，使其在高维空间中能够线性可分。在旋转机械故障诊断中，由于故障样本数据往往难以大量获取，支持向量机能够在小样本情况下达到较好的分类效果，有效避免了过拟合问题。通过选择合适的核函数，如径向基核函数（RBF），可以提高模型的泛化能力和分类精度。支持向量机的计算复杂度较低，训练速度较快，适用于实时性要求较高的故障诊断场景。神经网络是一种模拟人类大脑神经元结构和功能的计算模型，具有强大的非线性映射能力和自学习能力。它由多个神经元组成，通过神经元之间的连接权重来传递和处理信息。在旋转机械故障诊断中，神经网络可以通过大量的训练样本学习故障特征与故障类型之间的复杂映射关系，从而实现对故障的准确分类。多层感知机（MLP）通过构建多个隐藏层，可以对输入的故障特征进行逐层抽象和特征提取，能够处理复杂的非线性问题。然而，神经网络的训练需要大量的样本数据，且训练过程容易陷入局部最优解，导致模型的泛化能力下降。神经网络的结构设计较为复杂，需要根据具体问题进行合理的调整和优化。综合考虑旋转机械故障诊断的特点和需求，本研究选择支持向量机作为故障诊断模型的分类算法。支持向量机在小样本情况下的良好性能，能够适应旋转机械故障样本数据获取困难的实际情况，同时其计算复杂度低、训练速度快的特点，也能够满足故障诊断对实时性的要求。在后续的研究中，将对支持向量机的参数进行优化，进一步提高其在旋转机械故障诊断中的性能。3.4.2模型训练与优化在选择支持向量机作为分类算法后，利用训练样本对故障诊断模型进行训练，并采用交叉验证、参数调整等方法对模型性能进行优化，以提高模型的准确性和泛化能力。训练样本的选择至关重要，它直接影响模型的训练效果和诊断性能。从实际采集的旋转机械振动信号数据中，选取具有代表性的样本作为训练样本。这些样本应涵盖旋转机械在正常运行状态以及各种故障状态下的信号数据，包括不同类型和程度的故障，如滚动轴承的内圈故障、外圈故障、滚动体故障，齿轮的磨损、点蚀、断齿等故障。确保每个故障类别都有足够数量的样本，以保证模型能够充分学习到各类故障的特征。对训练样本进行预处理，包括去噪、滤波、归一化等操作，以提高样本数据的质量，去除噪声干扰，使不同样本的数据具有可比性。采用交叉验证方法对模型进行训练和评估，以避免模型过拟合和欠拟合问题，提高模型的泛化能力。常用的交叉验证方法有K折交叉验证，将训练样本随机划分为K个互不相交的子集，每次选择其中K-1个子集作为训练集，剩余的1个子集作为测试集，重复K次，得到K个模型的评估结果，最后取平均值作为模型的性能指标。在本研究中，选择K=5进行5折交叉验证，通过多次训练和测试，全面评估模型在不同数据集上的表现，从而更准确地评估模型的性能。支持向量机的性能很大程度上取决于其参数的选择，因此需要对参数进行调整和优化。支持向量机的主要参数包括惩罚参数C和核函数参数γ（对于径向基核函数）。惩罚参数C用于平衡分类错误和模型复杂度，C值越大，对分类错误的惩罚越大，模型越复杂，容易出现过拟合；C值越小，对分类错误的惩罚越小，模型越简单，可能导致欠拟合。核函数参数γ决定了径向基核函数的宽度，γ值越大，函数的局部性越强，模型对数据的拟合能力越强，但也容易过拟合；γ值越小，函数的全局性越强，模型的泛化能力越好，但可能对复杂数据的拟合能力不足。采用网格搜索、遗传算法、粒子群优化算法等方法对支持向量机的参数进行优化。网格搜索是一种简单直观的参数优化方法，它通过在预设的参数范围内进行穷举搜索，找到使模型性能最优的参数组合。例如，对于惩罚参数C，在[0.1,1,10,100]等取值范围内进行搜索；对于核函数参数γ，在[0.01,0.1,1,10]等取值范围内进行搜索，通过交叉验证评估不同参数组合下模型的性能，选择性能最优的参数作为最终的模型参数。3.4.3故障识别与诊断在完成故障诊断模型的训练与优化后，将测试样本输入优化后的模型，根据模型的输出结果判断旋转机械的故障类型和程度，实现故障的识别与诊断。从实际采集的旋转机械振动信号数据中选取一部分样本作为测试样本，这些样本应与训练样本相互独立，且同样涵盖旋转机械在正常运行状态以及各种故障状态下的信号数据。对测试样本进行与训练样本相同的预处理操作，包括去噪、滤波、归一化等，以保证测试样本数据的质量和与训练样本数据的一致性。将预处理后的测试样本输入到优化后的支持向量机故障诊断模型中，模型根据学习到的故障特征与故障类型之间的映射关系，对测试样本进行分类预测，输出测试样本所属的故障类别。如果模型输出的结果为正常类别，则判断旋转机械处于正常运行状态；如果输出的结果为某一故障类别，则判断旋转机械发生了相应类型的故障。为了更准确地判断故障程度，可以根据模型输出的分类概率或置信度来进行评估。支持向量机在进行分类预测时，不仅可以输出样本所属的类别，还可以输出样本属于各个类别的概率值。通过分析这些概率值，可以判断模型对分类结果的置信程度。如果模型输出的某一故障类别的概率值远高于其他类别，则说明模型对该故障类别的判断较为准确，故障程度可能较为严重；反之，如果各个类别的概率值较为接近，则说明模型对分类结果的不确定性较大，需要进一步分析和判断。可以结合实际经验和其他监测数据，如温度、压力等，对故障程度进行综合评估，以提供更准确的故障诊断结果。在实际应用中，还可以通过设置阈值的方式来判断故障的发生。当模型输出的某一故障类别的概率值超过设定的阈值时，判定旋转机械发生了该故障；当概率值低于阈值时，认为旋转机械处于正常运行状态或故障不明显。阈值的设置需要根据实际情况进行调整和优化，以平衡故障诊断的准确性和可靠性，避免误诊和漏诊的发生。四、案例分析与实验验证4.1实验设计与数据采集4.1.1实验平台搭建为了对基于经验小波变换和奇异值分解的旋转机械故障诊断方法进行有效的验证，搭建了旋转机械故障模拟实验平台。该平台主要由电机、联轴器、齿轮箱、滚动轴承、负载装置以及数据采集系统等部分组成。选用一台三相异步电动机作为动力源，其额定功率为[X]kW，额定转速为[X]r/min，能够为整个实验系统提供稳定的动力输出。通过变频器对电机的转速进行调节，以模拟旋转机械在不同工况下的运行状态。变频器的频率调节范围为[X]Hz-[X]Hz，可实现对电机转速的精确控制，满足实验对不同转速条件的需求。采用柔性联轴器将电机轴与齿轮箱输入轴连接，以补偿两轴之间的不对中误差，减少振动和冲击对实验结果的影响。齿轮箱选用两级平行轴齿轮传动结构，包含正常齿轮以及具有不同故障类型的齿轮，如齿面磨损、齿面点蚀、齿根裂纹等。通过更换不同状态的齿轮，可模拟齿轮箱在各种故障工况下的运行情况。齿轮箱的速比为[X]，能够满足实验对不同传动比的要求。滚动轴承选用深沟球轴承，安装在齿轮箱的输出轴上，作为支撑部件。实验中准备了正常轴承以及带有内圈故障、外圈故