基于图像处理的非平稳信号分形特征提取及应用

设备故障诊断的重点是提取状态信号中的敏感特征量，而状态信号往往具有非线性和非平稳特性，表现出"宽频"及"伪随机性"。传统的基于线性系统的分析方法并不适应这一特点，而以非线性信号分形维为特征量的故障识别方法的判别结果受噪音干扰较大，且没有考虑到信号可能存在的多分形特征。本项目针对设备故障信号的非平稳性，首先将非趋势波动分析和递归分析方法应用于信号分形特征表达，并从中提取适合于故障信号的尺度指数、强度分布指数及递归定量参数等组成的特征向量。在此基础上，将图像处理方法中的霍夫变换及其改进算法引入到非趋势波动分析双对数图及递归图的特征提取方法中，自动提取上述特征量。结合高斯混合模型等统计方法，实现设备故障模式识别。将图像处理技术用于信号特征提取，是对传统基于数值计算的信号特征提取方法的扩展，为非平稳信号特征提及设备故障诊断提供一种新方法。

设备故障诊断的重点是提取状态信号中的敏感特征量，而状态信号往往具有非线性和非平稳特性，表现出"宽频"及"伪随机性"。传统的基于线性系统的分析方法并不适应这一特点，而以非线性信号分形维为特征量的故障识别方法的判别结果受噪音干扰较大，且没有考虑到信号可能存在的多分形特征。本项目针对设备故障信号的非平稳性，首先将非趋势波动分析和递归分析方法应用于信号分形特征表达，并从中提取适合于故障信号的尺度指数、强度分布指数及递归定量参数等组成的特征向量。在此基础上，将图像处理方法中的霍夫变换及其改进算法引入到非趋势波动分析双对数图及递归图的特征提取方法中，自动提取上述特征量。结合高斯混合模型等统计方法，实现设备故障模式识别。将图像处理中的数学形态学算法引入到故障诊断领域，分别研究了基于EEMD的自适应形态学解调及基于LMD的多尺度形态学的故障频率提取方法。将图像处理技术用于信号特征提取，是对传统基于数值计算的信号特征提取方法的扩展，为非平稳信号特征提取及设备故障诊断提供一种新方法。此外，尝试将以上方法用于非传动部件的健康状态识别，如螺栓联接状态健康监测，耐火材料内部缺陷识别等。目前在这方面开展了前期研究。