时频分析和盲源分离在发电机转子系统故障诊断中的应用

         提出了一种局域波法和盲源分离相结合的发电机转子故障诊断方法。不同故障信号的局域波时频图像也明显不同，因此可以用来进行故障的判别。为了实现故障的自动分类，应用盲源分离对不同故障信号的局域波时频图像进行独立分量分离，得到一组源图像的投影系数。在此基础上，利用概率神经网络实现故障的自动分类。以转子的故障信号为例，应用该方法进行了研究，实验结果证明了该方法有效性。
关键词：盲源分离；经验模式分解；时频图像；发电机转子；故障诊断
         在机械状态监控中，机器发生故障时的振动信号具有非平稳特性。在这类时变信号的分析中，时频表示是比较有力的分析工具。文献[1]就用小波变换理论对动静件碰摩故障诊断进行了研究。这些方法的主要缺点是基函数是固定的，不能匹配信号的时变特性。因此,如果仍然用传统的数据处理技术来分析这些信号，将损失或误解一些有用的信息。
          在这里，我们应用局域波法[2]，来进行联合时频分析。它来源于经验模式分解（EMD）和瞬时频率的概念。EMD 首先被Huang[3]提出，它是基于数据的时间尺度的局部特征，因而更适宜处理非平稳数据过程。通过EMD 分解和Hilbert 变换得到局域波时频谱，是一种新的时频表示方法。
         由于该时频方法可以表示为0～255 灰度级的图像。因此从图像处理的角度认识局域波时频谱，将其应用于机电故障诊断领域，可以更充分地利用其时频信息。盲源分离，又称为独立成分分析（简称ICA），是一种信号分解技术，其特点为将多路观测信号分解成若干相互独立的成分。目前，ICA主要应用于盲信号分离、生物医学信号处理、图像消噪、人脸识别等方面[4,5]。
         在此，我们应用ICA对不同故障类别的局域波时频谱图像进行基图像的提取。可以认为，这些局域波时频谱图像是由一组互相独立的基图像线性叠加而成。因此，用ICA求得这组基图像,构造一个子空间，根据待识别故障的局域波时频图像在这个空间里的投影系数，可以进行故障识别。