基于KL-HVD的转子振动故障诊断方法研究

希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)由于其虚假分量问题,严重制约了其在实际故障诊断中的应用.针对该问题,引入信息论中的K-L散度概念,提出了基于K-L散度的HVD虚假分量识别方法(KL-HVD).KL-HVD将HVD分量视作概率分布各不相同的信号,并且认为真实分量与原信号的概率分布较为相近.该方法在原HVD方法基础上,计算HVD各分量与原信号的K-L散度值,对分量的虚假性进行量化.由于真假分量之间具有较大的差异性,选用高斯混合模型对这些分量进行聚类,自动区分出虚假分量并予以去除.此外,分别利用互信息及相关系数方法对虚假分量问题进行研究.并将三种方法应用于转子振动问题分析,结果显示三者中KL-HVD方法能够更有效地识别虚假分量,更清晰地提取出故障的时频特征.