首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 96 毫秒
1.
针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。  相似文献   

2.
针对滚动轴承微弱故障在强噪声下难以实现有效诊断的问题,提出了一种基于多层降噪技术及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承故障诊断新方法.首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;然后采用奇异值分解(Singular value decomposition,SVD)处理训练样本,通过二分之均值法选择有效奇异值个数,获得原始降噪信号和带噪信号;为了避免丢失微弱故障细节特征,将带噪信号经过SVD进一步去噪消除模态混叠并输入经验模态分解(Empirical mode decomposition,EMD)得到内禀模态函数,根据方差贡献率大小选出IMF分量并与原始降噪信号叠加得到最终信号;将处理后的训练集数据输入到引入注意力机制(Attention mechanism,AM)的ICNN中进行学习;最后将得到的诊断模型应用于测试集,输出故障类别诊断结果.通过滚动轴承故障诊断模拟试验,在强噪声环境下进行测试,结果表明所提方法能更准确的在强噪声环境中实现轴承的故障诊断.  相似文献   

3.
《机械传动》2016,(5):128-133
局部特征尺度分解(Local characteristic-scale decomposition,LCD)是一种崭新的自适应时频分析方法,在旋转机械故障诊断领域得到了初步的应用。在研究噪声对LCD影响的基础上,提出了一种奇异值分解(Singular value decomposition,SVD)降噪与LCD相结合的轴承故障诊断方法。首先对信号进行相空间重构,然后运用SVD降噪,对降噪信号进行LCD,将得到的内禀尺度分量进行包络谱分析提取故障特征。通过数据仿真与轴承内圈故障数据分析,验证了该方法的有效性。  相似文献   

4.
基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。  相似文献   

5.
基于EMD-SVD和CNN的旋转机械故障诊断   总被引:1,自引:0,他引:1  
为解决旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种经验模态分解(empirical mode decomposition,简称EMD)、奇异值分解(singular value decomposition,简称SVD)和深度卷积网络(Convolutional Neural Network,简称CNN)相结合的故障诊断方法。首先,通过EMD方法将故障信号分解成若干个固有模态分量(intrinsic mode function,简称IMF),构造时域与频域空间状态矩阵;其次,利用SVD方法对空间状态矩阵进行分解得到奇异值数组,构造时域与频域奇异值特征矩阵;最后,将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果,正确率优于将原始信号直接输入到CNN中等几种对比方法,验证了该方法的优越性。  相似文献   

6.
针对经验模态分解(EMD)存在的模态混叠问题,提出一种奇异值分解(SVD)和改进经验模态分解相结合的信号分析新方法。该方法首先对故障信号进行SVD降噪,以消除随机干扰,再根据信号特征加入高频谐波信号并进行EMD进行分解,有效地减少模态混叠现象,最后对EMD分解得到的高频本征模态分量(IMF)进行代数运算得到故障冲击成分,经Hilbert包络分析,提取出故障特征信息。仿真信号分析了这种方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断中。实验结果证明:该方法能够有效地提取滚动轴承故障特征信息,实现故障诊断。  相似文献   

7.
将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。  相似文献   

8.
针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empiricalmode decomposition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical modedecomposition,EEMD)方法的对比研究,表明了所提方法的优越性。  相似文献   

9.
针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的轴承故障诊断方法.首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行EMD分解,通过求取本征模函数(Intrinsic Mode Function,IMF)幅值谱,从而发现轴承故障频率.实验结果表明,该方法可以提高信噪比,实现微弱信号检测,更有效地应用于轴承的故障诊断.  相似文献   

10.
基于中值滤波-SVD和EMD的声发射信号特征提取   总被引:4,自引:0,他引:4  
针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.  相似文献   

11.
由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。  相似文献   

12.
运用EMD和GA SVM的齿轮故障特征提取与选择   总被引:8,自引:1,他引:7  
针对齿轮故障特征提取,首先将齿轮箱振动信号进行经验模态分解,得到一组固有模态函数.计算各固有模态函数的能量和矩阵的奇异值,采用Shannon熵和Renyi熵度量能量和奇异值分布,构成原始特征子集.再采用遗传算法和最小二乘支持向量机的Wrapper方法选择最优特征子集.该方法能够利用较少的特征参数集准确判别齿轮故障,提高了齿轮故障诊断的精度与效率.  相似文献   

13.
基于极值符号序列分析的EMD端点效应处理方法   总被引:1,自引:0,他引:1  
针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。  相似文献   

14.
针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。  相似文献   

15.
The vibration signal contains a wealth of sensitive information which reflects the running status of the equipment. It is one of the most important steps for precise diagnosis to decompose the signal and extracts the effective information properly. The traditional classical adaptive signal decomposition method, such as EMD, exists the problems of mode mixing, low decomposition accuracy etc. Aiming at those problems, EAED(extreme average envelope decomposition) method is presented based on EMD. EAED method has three advantages. Firstly, it is completed through midpoint envelopment method rather than using maximum and minimum envelopment respectively as used in EMD. Therefore, the average variability of the signal can be described accurately. Secondly, in order to reduce the envelope errors during the signal decomposition, replacing two envelopes with one envelope strategy is presented. Thirdly, the similar triangle principle is utilized to calculate the time of extreme average points accurately. Thus, the influence of sampling frequency on the calculation results can be significantly reduced. Experimental results show that EAED could separate out single frequency components from a complex signal gradually. EAED could not only isolate three kinds of typical bearing fault characteristic of vibration frequency components but also has fewer decomposition layers. EAED replaces quadratic enveloping to an envelope which ensuring to isolate the fault characteristic frequency under the condition of less decomposition layers. Therefore, the precision of signal decomposition is improved.  相似文献   

16.
利用经验模态分解滤波器组特性可调整性,结合短时傅里叶变换(STFT)技术识别轴承异音。在研究高斯随机噪声经验模态分解(EMD)的基础上,运用数值方法证实EMD滤波器组特性随判别参数SD改变,指出类似于二进制小波滤波器组特性只是一种特殊条件下的分解现象。根据轴承振动加速度的广谱性质,利用参数SD对EMD滤波器组特性可调性,对滚动轴承振动加速度信号按异音测量要求进行EMD自动频段分解。对前3阶本征模态进行STFT变换,用三维图刻画轴承振动的幅值大小、频率大小、周期和随机分布冲击特性,设定阈值,在时频域上刻画轴承的异音。该方法揭示了轴承异音分布模式,能通过异音识别控制轴承加工质量。  相似文献   

17.
经验模分解在信号趋势项提取中的应用   总被引:20,自引:1,他引:19  
研究了经验模分解方法(EmpiricalModeDecomposition,简称EMD)在信号趋势项提取中的应用,提出了基于EMD方法在不同频率限制要求下信号趋势项的定义和提取方法。通过应用于数值模拟信号及实测记录,验证了此定义的可靠性。分析结果表明,EMD方法依据信号自身的特性来定义趋势项,无需预先假定其类型,是一种提取信号趋势项的良好方法。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号