延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

一种基于EEMD-SVD和FCM的轴承故障诊断方法

提出了一种基于总体平均经验模式分解(EEMD)和奇异值分解(SVD)的模糊C均值聚类(FCM)相结合的轴承故障诊断方法。首先对轴承信号进行EEMD分解,得到若干个平稳的本征模函数(IMF),再通过相关性分析筛选包含主要信息的前几个分量进行奇异值分解,然后将得到的奇异值矩阵作为特征向量,通过FCM模糊聚类进行识别。实验结果表明,此方法可有效地对轴承故障类型进行识别。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究

为了从复杂的轴承振动信号中提取微弱的故障信息,将相关峭度引入滚动轴承故障诊断领域,结合奇异值分解(Singular Value Decomposition,SVD)和相关峭度,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用SVD对轴承振动信号进行分解,然后根据相关峭度选取SVD分解后的分量,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于多层混合滤噪的轴承早期弱故障特征提取方法

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

基于多层混合滤噪的轴承早期弱故障特征提取方法EI北大核心CSCD

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于SVD优化LMD的电梯导靴振动信号故障特征提取EI北大核心CSCD

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

一种新的差分奇异值比谱及其在轮对轴承故障诊断中的应用

因滚动体和保持架的随机滑动,轴承故障信号多为伪循环平稳信号。针对这种情况,提出了应用周期截断矩阵的奇异值分解的轮对轴承故障诊断方法。研究了轴承故障伪循环平稳信号的奇异值分布,结合奇异值能量差分和奇异值比,提出了一种新的能量差分奇异值比谱作为周期截断矩阵的嵌入维度计算方法;利用能量差分奇异值比谱计算嵌入维度并利用轮对轴承振动信号构造周期截断矩阵,对矩阵进行奇异值分解,并提出利用差分能量谱确定奇异值有效秩阶次并重构矩阵从而分离出周期信号;对该信号做包络分析以实现轮对轴承的故障诊断。应用轮对实验台的复合故障轴承振动数据对该方法进行验证,结果表明,所提方法能够有效提取轴承外圈、滚动体及保持架的特征频率的基频及其倍频,与传统应用Hankel矩阵进行奇异值分解降噪方法相比,该方法抗干扰能力显著,能够分离同频带的不同故障周期信号,且得到的包络谱谱线清晰,谐波丰富,使故障诊断的可靠性得到了显著提高。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

改进的奇异值分解在轴承故障诊断中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。为了从复杂的轴承振动信号中提取有效的故障信息,提出了改进的奇异值分解故障诊断方法。阐述了奇异值分解与包络谱分析的原理,并对轴承振动信号构造Hankel矩阵进行奇异值分解。利用功率谱密度函数构造滤波器提高信号的信噪比,对滤波器处理后的信号再进行奇异值分解和包络分析,并将此方法应用于滚动轴承振动信号分析。实验结果表明:此方法对振动信号故障特征频率的提取效果具有明显优势。     

基于IMF-SVD包络谱法的轮对轴承故障检测方法研究

针对经验模态分解(empirical model decomposition,EMD)所得的本质特征函数(intrinsic model function,IMF)之间存在相互耦合、难以清晰提取高速列车轮对轴承的故障特征问题,提出一种轮对轴承故障检测的新方法。该方法的核心是应用EMD自适应地分解轴承振动信号,得到多尺度的IMF,应用单尺度的IMF信号构造Hankel矩阵,对该矩阵进行奇异值分解(singular value decomposition,SVD),应用奇异值的差分谱来选择其关键奇异值,对关键奇异值进行奇异值重构,通过重构信号的包络谱分析来检测轮对轴承的故障。利用高速列车轮对轴承故障数据对该检测方法和模型进行验证,结果表明:该方法能够清晰地提取表征轴承故障特性的基频、倍频成分,突显故障频率特征,具有一定工程应用前景。     

基于能量聚集性的轴承复合故障诊断

轴承复合故障类型多样,且部分故障的特征频率相近噪声污染严重。采用经验模态分解(EMD)的方法,在强噪声背景下会引起相近频率故障成分的无法识别,同时也难以提取微弱的故障信号。由此,提出一种基于能量聚集性的轴承复合故障诊断方法。首先借助离散余弦变换(DCT)的频域能量聚集性和奇异值分解(SVD)的时域能量聚集性,对轴承复合故障信号进行预处理,实现降噪并分离频率相近的微弱故障信号。然后对分离出来的不同故障信号进行经验模态分解,去除伪分量,对剩余的本征模态函数进行频谱分析。最后,根据本征模态函数的频谱诊断故障。仿真信号和实测轴承故障诊断信号分析表明,与直接使用EMD进行轴承复合故障诊断相比,该方法能够在强背景噪声下准确分离频率相近的微弱故障分量,改善复合故障诊断的准确性。     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。     

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。