附件C：譯文

基于小波包的旋轉(zhuǎn)機械故障診斷

0摘要
小波包提供了一種規(guī)范正交基庫，因此可以以很多不同方式描述信號。本文介紹了一種選擇規(guī)范正交基的方法，來描述用于旋轉(zhuǎn)機械故障診斷的振動信號。所選擇的基礎是由局部故障和其它感興趣的信號分量分別激起的代表性瞬間的兩組基函數(shù)。該方法可以克服廣泛使用的Coifman 和 Wickerhauser提出的用于在大背景中的瞬態(tài)振動檢測的最優(yōu)基算法的限制，并且在旋轉(zhuǎn)機械故障診斷方面非常有效，特別是故障發(fā)展的早期階段。除此之外，不同于其它現(xiàn)有的研究，該方法不需要訓練樣本，并且在實踐中比較容易執(zhí)行。在齒輪箱和軸承振動信號分析中的應用說明提出的方法優(yōu)于最優(yōu)基算法。
1引言
旋轉(zhuǎn)機械涵蓋了關(guān)鍵設施的廣泛范圍。在工業(yè)中，這些設備的故障診斷是非常重要的。振動分析是該任務的主要手段。它的成功在很大程度上決定于在振動信號處理中所使用的技術(shù)。
由于有與旋轉(zhuǎn)特點直接關(guān)聯(lián)的優(yōu)勢，頻譜分析已是旋轉(zhuǎn)機械振動分析最常用的信號處理工具。但是，盡管在很多情況中成功，健全的早期局部缺陷檢測，例如變速齒輪箱中齒的開裂和滾動軸承元件表面剝落，仍然是一個棘手的問題。局部缺陷往往激起更多的局部組件成為背景振動。結(jié)果，選出的信號可能不僅有與旋轉(zhuǎn)運動相關(guān)的諧波，還包括由于存在的缺陷產(chǎn)生的瞬變。頻譜分析用于分析諧波是出色的，但對于處理瞬態(tài)是無效的，這是因為它以復指數(shù)而不是局部瞬態(tài)描述信號。為了更好地處理這類問題，發(fā)展了一些其它技術(shù)，例如峰態(tài)分析[1]，共振解調(diào)[2,3]，時域平均[1]等等。這些技術(shù)已經(jīng)大大的提高了檢測水平，但總有某種限制。例如，其中的一些可能需要通過帶通濾波器以增強瞬態(tài)信號。很遺憾，這有時是困難的，因為可能不存在一個可靠的方式來知道瞬變頻率的范圍。
最近十年，在機械故障診斷領(lǐng)域，時頻分析獲得高度重視。特別是小波分析的最新進展提供了一套新的時頻分析技術(shù)，且已證明其在瞬態(tài)檢測中的強大作用。它們提供了極有前途的處理旋轉(zhuǎn)機械局部檢測的工具。由于其適應性強和計算效率高的優(yōu)點，小波包變換（WPT）[4,5]已經(jīng)成為幾種研究最多的用于機械診斷的小波技術(shù)之一。它的效用被很多研究人員深入研究。僅舉幾個例子，在參考文獻[6]中，Geng和Qu指出了通過頻譜分析和魏格納（Wigner-Ville）分布的WPT在處理旋轉(zhuǎn)機械元件產(chǎn)生的瞬態(tài)振動的優(yōu)勢。文獻[7]中，Liu等人描述了在不同條件下的振動信號使用不同的小波包矢量，以及在軸承疲勞檢測中獲得了好的結(jié)果。Yen和Lin[8]利用統(tǒng)計標準選擇用小波包代表的特征，該特征可以顯著提高軸承故障診斷中相關(guān)的神經(jīng)網(wǎng)絡分類器的性能。最近，Altmann和