综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(ISSD)结合奇异值分解(SVD)的齿轮故障特征提取方法。针对奇异谱分解(SSD)算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

基于局部均值分解和奇异值差分谱的滚动轴承故障诊断研究

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的轴承故障诊断方法。首先通过LMD将非平稳的原始轴承故障信号分解为若干个PF(product function)分量,由于背景噪声的影响,难以从PF分量准确得到故障频率,对PF分量进行Hankel矩阵重构和奇异值分解,相应的得到奇异值差分谱,根据奇异值差分谱理论对某个PF分量进行消噪和重构,然后再求重构后PF分量的包络谱,便能准确地得到故障频率。仿真分析和滚动轴承内圈故障实例很好地验证了提出的改进方法的有效性。     

基于变分模态分解和奇异值差分谱的轴承故障诊断方法

为有效地提取出轴承故障的特征频率,提出了基于变分模态分解(VMD)和奇异值差分谱(SVDS)相结合的轴承故障诊断方法.该方法主要有三个步骤,一是通过VMD对轴承故障信息进行分解,并得到若干个不同频段的分量信号;二是选取有效的分量信号构建Hankel矩阵,并对该矩阵进行奇异值分解,由此得到SVDS曲线;三是通过SVDS曲...     

MBCV-EWT和奇异值差分谱的滚动轴承信号降噪方法

针对滚动轴承振动信号降噪时,克服模式混叠、保证各频率成分完整性和独立性问题,提出最大类间方差-经验小波变换分解(maximum between-cluster variance-empirical wavelet transform,简称MBCV-EWT)与奇异值差分谱相结合的信号降噪方法。首先,针对传统区间划分的不确定性问题,提出MBCV-EWT信号分解方法,通过最大类间方差对信号频谱自适应划分,并在每个划分区间上构建带通滤波器;其次,针对分解分量冗余,提出脉冲指标作为调幅-调频分量筛选准则,选取最优的分量用于降噪;最后,对最优调幅-调频分量进行奇异值分解,根据其差分谱重构分量并实现降噪。仿真及实验结果表明,该方法能够实现频谱自适应划分,有效克服模式混叠等问题,保证分解得到的各成分主频独立且完整,调幅-调频分量筛选准确,降噪效果明显,为故障识别和预测奠定研究基础。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

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。     

基于多尺度形态学与奇异值分解的滚动轴承故障特征提取

针对多尺度形态差值滤波存在的问题,将多尺度形态差值算子与奇异值差分谱理论相结合,提出了一种新的滚动轴承故障特征提取方法,能有效滤除噪声,并提取出信号中的故障信息。借助特征能量比的概念,在多尺度形态差值滤波中,提出并分析了两种不同的多尺度加权方法,同时对不同最大分析尺度下多尺度形态差值滤波的结果进行了研究。然后利用奇异值差分谱理论对未能有效滤除高斯噪声的形态差值滤波结果进行SVD重构,得到最终的特征提取结果。仿真表明该方法能在高噪声背景下有效提取出脉冲冲击信号,并在实测轴承故障信号特征提取中得到了验证。     

基于奇异值差分谱和对称极坐标法的轴承故障特征提取

针对轴承的振动信号往往伴有强烈噪声以及基于直角坐标表示的时间序列对故障特征表现不直观的问题。提出了一种奇异值差分谱和对称极坐标法(Symmetrized Dot Pattern,SDP)相结合的轴承故障特征提取方法。首先,运用奇异值差分谱理论对原始振动信号进行降噪处理;然后运用SDP方法将时间序列变换成可视化的极坐标图形;通过观察可视化图形的差异实现轴承的故障诊断。实验结果验证了该方法能够提高信噪比,增强对轴承故障的特征提取效果。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于奇异值分解和小波变换的特征提取

将奇异值分解(Singular Value Decomposition,SVD)和小波变换两者结合用于目标特征的提取,奇异值分解可以有效的降低运算量和存储量.并能消除信号中的噪声;小波变换的多尺度分析可以提供任意分辨率的时间尺度信息,从而确保了信息的准确性.通过与普通小波分析(不包含奇异值分解)做比较.证明了所提出的方法是有效的.     

基于小波包变换和奇异值分解的机加工表面纹理特征提取

为提取机加工表面的纹理特征,提出利用小波包变换和奇异值分解提取灰度图像特征的新方法,给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量的均值和方差分别定义了灰度图像的特征参数k1和k2,并探讨了特征参数与表面纹理之间的关系。结果表明:特征参数能够敏感地反映机加工表面的纹理特征。k1表征了机加工表面的支撑面积,其值越大,支撑面积越大;k2表征了机加工表面纹理的粗糙度,其值越大,纹理越粗糙。因此,机加工表面的纹理特征可通过灰度图像特征参数k1和k2评定。     

滚动轴承故障特征的时间—小波能量谱提取方法

振动信号中的周期性冲击现象是诊断滚动轴承各元件故障的重要依据之一,针对滚动轴承故障特征,在小波变换理论基础上提出一种时间—小波能量谱信号处理方法,它能够有效地提取出振动信号中冲击成分的时域和频域特征。利用时间—小波能量谱方法分析正常、外圈故障、内圈故障、滚珠故障等四种状态下滚动轴承的振动信号,并与传统的包络解调分析方法进行对比分析。时间—小波能量谱不仅可以有效提取出冲击特征明显的滚动轴承外圈故障,还能提取出内圈、滚珠等信号特征微弱的滚动轴承故障,而包络解调分析方法只能提取出外圈故障特征而不能提取出滚珠故障、内圈故障特征。结果表明,时间—小波能量普比包络解调分析方法更能有效地提取出振动信号中的冲击信号成分。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

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。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。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(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

奇异值差分谱理论及其在车床主轴箱故障诊断中的应用

证明采用Hankel矩阵时奇异值分解(Singular value decomposition,SVD)可以将信号分解为一系列分量信号的简单线性叠加,为了确定其中的有用分量个数,提出奇异值差分谱的概念。差分谱可以有效地描述有用分量和噪声分量的奇异值性质差异,根据差分谱峰值位置可实现对有用分量个数的确定。研究结果表明,当差分谱最大峰值位于第一个坐标时,则表明原始信号存在较大的直流分量,此时根据第二最大峰值位置可以确定有用分量的个数,否则就根据最大峰值位置来确定分量个数。利用差分谱进一步研究Hankel矩阵的结构对SVD降噪效果的影响,指出矩阵列数和噪声去除量存在抛物线状的对称关系。利用基于差分谱的SVD方法对车削力信号进行处理,结果有效地分离出由于主轴箱故障齿轮的振动而引起的调制信号,并根据此信号可靠地定位了故障齿轮。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

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。