基于EMMD和BSS的单通道旋转机械故障诊断方法

针对在欠定的观测信号情况下,传统基于矩阵的盲源分离算法效果比较差的问题,提出一种基于极值域均值模式分解和盲源分离的单通道旋转机械信号故障特征提取方法,并应用于实际的故障诊断中.该方法先通过极值域均值模式分解法分解观测信号,把得到的固有模态函数和原观测信号一起组成新观测信号,从而实现了信号升维,使欠定问题转化为正定问题;然后,由奇异值分解和贝叶斯准则进行源数估计;最后,利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离.通过仿真,验证了该方法对旋转机械故障信号进行盲源分离的可行性.将提出的方法应用到齿轮和轴承系统的故障诊断中,进一步证明了该方法的有效性.     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

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MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

基于在线贯序极限学习机的齿轮故障诊断方法

针对表征齿轮故障信息的特征难提取与极限学习机无法处理随时间变化的信息流,致使齿轮故障分类模型精度差、泛化能力弱的问题,提出一种基于在线贯序极限学习机的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,建立在线贯序极限学习机的齿轮故障分类模型,并将奇异值特征向量作为模型输入进行齿轮不同故障状态的辨识。实验结果表明:与基于BP、SVM与ELM的故障分类方法相比,基于基于在线贯序极限学习机的齿轮故障诊断方法具有更快的学习速度、更高的分类精度与更强的泛化能力。     

基于Gabor变换的欠定盲信号分离新方法

结合Gabor变换和盲信号分离的各自优点,提出了一种基于Gabor变换的欠定盲信号分离新方法.首先通过混合信号的Gabor变换系数之间的相互关系,得到了源信号个数的估计;然后对Gabor变换后的信号进行阈值处理,并进行Gabor逆变换得到新的混合信号,从而实现混合信号的升维.再利用现有的盲信号分离方法进行处理,该方法不受源信号个数的限制,因此属于一种欠定盲信号分离方法;最后,通过一组仿真信号的欠定盲分离验证了该方法的有效性.     

奇异值能量标准谱在机械振动信号降噪中的应用研究

针对机械设备振动信号的宽频带、非线性和非平稳特性,提出了一种基于奇异值能量标准谱的自适应降噪方法。首先利用平均最近邻域发散度判定法计算嵌入维数并对信号进行相空间重构,然后对相空间重构矩阵进行奇异值分解,最后提出奇异值能量标准谱概念,根据能量标准谱拐点位置自适应地确定奇异值的重构阶数以重构有用分量,从而实现信号降噪。数值仿真和柴油机缸盖振动信号分析结果表明,本方法能够有效消除信号中的噪声并保留原信号的特征,提高信噪比。     

基于EEMD的单通道盲源分离在轴承故障诊断中的应用

针对一维观测矩阵的极度欠定盲分离模型,结合盲源分离和总体经验模式分解的优点,利用总体经验模式分解将单通道信号转化为固有模态矩阵,重组观测矩阵,再通过近似联合对角化实现信号的盲分离。数据仿真说明该方法能提取低信噪比下的轴承故障信息。实验中,对2种不同故障的轴承进行故障诊断,从而进一步证明了该方法的有效性。     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

VMD⁃SVD在机械故障信号欠定源数目估计中的应用

针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法.首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定.仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计.     

基于振动传递率函数和奇异值熵的结构损伤检测方法

为了直接通过结构振动响应提取损伤特征,对激励未知情况下的结构损伤进行检测,提出了基于振动传递率函数和奇异值熵的损伤检测方法。该方法首先通过振动响应获得振动传递率函数,然后对振动传递率函数序列进行相空间重构,求取其奇异值熵,通过奇异值熵的大小来识别损伤模式。实验结果表明,该方法能有效地识别结构的损伤模式。     

基于VMD的Volterra模型奇异值熵的转子故障诊断方法

针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition, VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function, IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means, FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition, EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。     

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。     

A repeated single-channel mechanical signal blind separation method based on morphological filtering and singular value decomposition

This paper proposes a repeated blind source separation (BSS) method based on morphological filtering and singular value decomposition (SVD) to separate the mixed sources from a single-channel signal. Firstly the signal is de-noised by the morphological filter and, the noise which affects the accuracy of the separation is removed. Next, the purified signal is reconstructed in phase space, and the SVD is applied to this matrix. After choosing the effective singular values, the inverse transform is applied to the revised signal matrix. From this, the pseudo signal can be obtained. The pseudo signal and the purified original signal are used to achieve the mixed sources separation through the fast independent component analysis (FastICA) algorithm. Then, the methods above are repeated in order to separate the weaker signals. The analysis of simulation and practical application demonstrates that that proposed method shows a high level of separating performance of a single-channel signal.     

基于EEMD分解和奇异值差分谱理论的轴承故障诊断研究

提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和奇异值差分谱的轴承故障诊断方法。首先将非平稳的原始轴承振动信号通过EEMD方法分解成若干个平稳的本征模函数(intrinsic modefunction,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,所提出的方法能有效地应用于轴承的故障诊断。     

基于奇异值分解的侵彻过载信号降噪方法

为解决硬目标侵彻过载信号的降噪问题,提出侵彻加速度信号的奇异值分解技术。首先,通过主体奇异值分量稳定原则确定信号的重构子矩阵;然后,利用前K次奇异值能量占优法则提取奇异值的有效阶次,在此基础上对实测信号进行奇异值分解;最后,利用分解出的有效奇异值完成信号的重构。实验证明,经此方法处理的侵彻过载信号可以有效剔除隐含在弹体加速度信号中的振动和噪声,重构后的加速度曲线具有比小波降噪效果更好的信噪比,积分得到的位移曲线能较好反映实际侵彻深度,是侵彻过载信号处理的一种新的可行方法。     

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。     

基于奇异值分解的频响函数降噪方法

为了提高外场测试中频响函数的信噪比,提出了一种基于奇异值分解的频响函数降噪方法。该方法首先对脉冲响应函数在相空间内进行重构;然后对重构轨道矩阵进行奇异值分解达到降噪的目的。其中,降噪阶次通过奇异熵增量进行确定。采用GARTEUR飞机模型建立具有密集模态的仿真算例进行验证。结果表明,在噪声干扰较大时,该降噪方法能够显著改善模态参数的识别精度,尤其是阻尼的识别精度。