第20卷第2期2023年2月铁道科学与工程学报JournalofRailwayScienceandEngineeringVolume20Number2February2023基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断谢锋云，刘慧，胡旺，姜永奇(华东交通大学机电与车辆工程学院，江西南昌330013)摘要：滚动轴承早期故障诊断可有效地保证机械设备的运行安全，针对滚动轴承早期故障特征微弱，故障特征提取不佳的问题，提出可调品质因子小波变换(TunableQ-factorwavelettransform，TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征，提出峭谱积(峭度和包络谱峰值因子的乘积，KEc)的新指标。以KEc为优化指标，采用网格搜索法确定TQWT最佳的品质因子Q，同时以中心频率比为优化指标，确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构，选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量，最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性，以XJTU-SY滚动轴承加速寿命试验平台研究对象，运用加速度传感器获取的试验数据集进行验证，识别结果准确率为94.5%。同时，与优化指标为峭度等的SVM识别结果进行比较，所提方法识别率提高了约1%～7%。对比结果表明，运用所提方法对滚动轴承早期故障进行识别，可以准确有效地诊断出轴承的故障类型，具有一定的实用价值。关键词：故障诊断；可调品质因子小波变换；小波包奇异谱熵；支持向量机；早期故障中图分类号：TH133.33；TH165+.3文献标志码：A开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）02-0714-09EarlyfaultdiagnosisofrollingbearingbasedonadaptiveTQWTandwaveletpacketsingularspectralentropyXIEFengyun,LIUHui,HUWang,JIANGYongqi(SchoolofMechatronicsandVehicleEngineering,EastChinaJiaotongUniversity,Nanchang330013,China)Abstract:Theearlyfaultdiagnosisofrollingbearingcaneffectivelyensuretherunningsafetyofmechanicalequipment.Aimingattheproblemsofweakearlyfaultfeaturesandpoorfaultfeatureextractionofrollingbearing,anearlyfaultdiagnosismethodofrollingbearingwasproposed.ItcombinedTunableQ-factorwavelettransform(TQWT)withwaveletpacketsingularspectralentropytoextractfeatures.Todealwiththecharacteristicsofshockandperiodicityofearlyfaultsig...
