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ESMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承信号的非平稳特征,提出基于ESMD分解和奇异值差分谱的故障特征提取方法。首先将原始非平稳信号进行ESMD分解,然后对产生的IMF分量进行FFT变换。为降低背景噪声的影响,对IMF构建Hankel矩阵,根据奇异值差分谱理论进行消噪和重构,从而确定轴承故障的特征频率。     

μ-SVD降噪算法及其在齿轮故障诊断中的应用

为了提取机械设备被强背景噪声淹没的故障特征,采用一种具有通用意义的基于奇异值分解(Singular value decomposition,SVD)的子空间降噪算法对信号进行处理,即?-SVD降噪算法。传统的SVD降噪算法是?-SVD降噪算法中拉格朗日乘子??0时的一种特殊情况。?-SVD降噪算法包含滤值因子,能够抑制以噪声贡献占主导的奇异值对降噪后信号的信息贡献量。?-SVD降噪算法涉及延迟时间、嵌入维数、降噪阶次、噪声功率和拉格朗日乘子等5个参数。讨论了?-SVD降噪算法的参数选择方法,并着重研究降噪阶次和拉格朗日乘子对降噪效果的影响。齿轮故障仿真信号和齿轮早期裂纹故障振动信号的试验结果表明,?-SVD降噪算法在降噪效果方面要优于传统的SVD降噪算法,可以在强背景噪声情况下更好地提取出齿轮的故障特征。     

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SVD降噪和谱峭度的滚动轴承故障诊断

提出将奇异值分解(SVD)和谱峭度结合的滚动轴承故障诊断方法.首先,将原始振动信号构造为Hankel矩阵,进行奇异值分解,并利用奇异值差分谱进行有效的消噪;然后,利用谱峭度所得的峭度图选择最佳的带宽和中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行平方包络和Fourier变换得到包络解调谱,即可实现故障特征的提取.对滚动轴承故障试验信号的分析表明,该方法可以有效地提取故障特征频率,实现故障诊断.     

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。     

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。     

基于局部特征尺度分解和奇异值差分谱的滚动轴承故障诊断方法

为有效消除滚动轴承故障振动信号中噪声,更好提取故障特征频率,提出了基于局部特征尺度分解和奇异值差分谱的故障诊断方法。该方法首先利用局部特征尺度分解将非平稳信号分解成若干个不同频带的内禀尺度分量;然后对包含故障特征的分量构造Hankel矩阵并进行奇异值分解并求得奇异值差分谱曲线,利用差分谱最大突变点确定重构信号的阶数并重构信号;最后再求重构信号的包络谱,便可准确获得相应故障特征频率。滚动轴承故障诊断的试验结果证明,该方法能快速准确地提取出故障信息,具有一定的优势。     

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。

     

基于SVD-小波熵融合的电机系统故障分离方法

为了抑制电网工频干扰对电流信号的影响,通过对复杂电流信号奇异值分解特性和小波熵分离特性的研究,提出一种高精度故障特征分离方法。该方法先结合SVD较强的消噪特性,对复杂电流信号做去噪处理;再对去噪后的电流信号,结合小波熵法进行故障特征分离。研究结果表明,该方法可以有效剔除电网工频的干扰,实现微弱信号的特征提取。     

基于小波包变换的局部放电包络信号模式识别

为实现GIS故障检测和缺陷的模式识别,针对GIS出现的典型绝缘缺陷及其放电特点,设计了4种常见的GIS绝缘缺陷模型并进行放电试验。对获取的大量超高频包络信号,提出了一种基于小波包变换奇异值分解的时域特征提取方法。该方法首先对包络信号进行小波包变换,构建各尺度的小波包分解系数矩阵,然后对其进行奇异值分解,提取特征向量,在此基础上,采用BP神经网络进行模式识别,结果表明采用此方法获得了良好的识别效果。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

基于EMD-SVD和CNN的旋转机械故障诊断

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。     

基于多特征融合的APF中IGBT开路故障特征提取

为可靠地进行有源电力滤波器中IGBT开路故障诊断,提出一种基于多特征融合的有源电力滤波器IGBT故障特征提取方法。该方法采集三电平APF主电路中钳位二极管桥臂电压作为测试信号,对其进行小波分解,提取各频段的能量系数、功率谱熵、奇异谱熵以组成多特征参数矩阵,然后进行特征降维构成特征向量矩阵。在理论分析的基础上,进行了相应的实验分析,首先基于该测试信号得到不同工作状态下测量波形,并与其他测试信号波形进行比较;既而,利用核模糊C均值聚类方法对所提取特征对故障类型的区分性能进行分析,并对三相整流桥谐波源在负载突变和触发角变化时做了特征提取适应性实验;最后,搭建APF实验平台进行测试。实验结果表明,基于二极管端电压的测量方法可以有效区分不同工作状态,所采用的多特征融合提取方法克服了单特征的片面性,各种工况下的区分性能良好。     

基于奇异值融合的机械设备盲信息提取

针对机械设备的故障特征信息提取问题,提出了基于奇异值融合的机械盲信息提取方法。首先,由机械振动测量信号分离振动源信号,并进行包络解调组成包络信号矩阵,进而进行奇异值分解,提取矩阵的奇异值均值和奇异值熵作为故障特征信息;然后,针对分离矩阵直接进行奇异值分解,提取奇异值作为故障特征信息;最后,将包络信号矩阵奇异值均值、奇异值熵和分离矩阵奇异值进行特征层信息融合作为机械设备的故障特征信息。将该方法应用于液压齿轮泵可以有效地提取机械设备盲特征信息。     

基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆，工作过程中会产生周期性的冲击信号，使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取，提出了一种基于多分辨奇异值分解（SVD）包和最小熵解卷积（MED）的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解，分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理，将处理后的信号与前4层的细节信号进行信号重构和频谱分析，得到故障特征频率，最后将得到的故障特征频率与理论计算值进行对比，判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比，该方法对柔性薄壁轴承的故障特征提取效果更好。     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。     

轴承振动信号中调幅特征的奇异值分解提取方法

滚道损伤会在轴承振动中引起调幅现象,但当损伤较轻微或者噪声干扰较严重时,这种特征难以显现出来.提出利用奇异值分解(Singular value decomposition,SVD)来提取这种调幅特征.在Hankel矩阵方式下,SVD可将信号分解为一系列分量信号的简单线性叠加.利用这一特件,对轴承振动信号构造Hankel...