基于谐波小波包能量熵的轴承故障实时诊断

将谐波小波包变换与信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法.对故障振动信号进行谐波小波包分解,将分解的小波系数按尺度进行排列,计算不同尺度的能量,以尺度能量为划分标准,计算故障信号的能量熵,通过能量的熵值诊断轴承故障.给出谐波小波包能量熵的轴承故障的具体诊断方法和模型.对不同...     

BSS与Morlet小波变换在轴承声学故障诊断中的研究

声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,但其信噪比较低,因此提出了基于盲源分离技术和自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用小波包将单通道的声音信号分离成2个虚拟通道的声音信号,再用盲源分离技术将信号进行源信号的提取,然后利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

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...     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

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。     

基于参数优化Morlet小波变换的故障特征提取方法

针对轴承或齿轮箱等机械元件的故障振动信号表现为冲击衰减波形的特点,提出一种基于参数优化Morlet小波变换的故障特征提取方法。利用最小Shannon熵方法优化Morlet小波的形状参数,实现与冲击特征成分的最佳匹配,再对小波变换系数矩阵进行奇异值分解,根据奇异值曲线中主要反映突变信息的过渡阶段所对应的尺度范围求得最佳小波变换尺度,最后对信号进行Morlet小波变换提取故障特征。仿真试验和实际应用的结果表明,该方法能更有效地从强噪背景中提取故障特征。     

轴承故障动态检测的迭代交叉信息熵方法

将小波包变换和迭代交叉信息熵有机结合,从检测信号信息量差异性的角度出发,提出一种设备故障动态检测的新方法。该方法的核心是动态选取时间相邻的两帧振动信号,对两帧信号作小波包分解得到等频宽的分解信号,计算分解信号不同时间段的能量,得到信号的尺度分段时间能量矩阵,以尺度分段时间能量矩阵作为一种信息的划分,计算两帧信号的迭代交叉熵,用熵值来表征信号的差异性而检测出故障。检测实例验证了该方法的有效性,检测的实时性好、准确性高。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

Similarity of signal processing effect between Hankel matrix-based SVD and wavelet transform and its mechanism analysis

It is pointed out that signal processing effect of singular value decomposition (SVD) is very similar to that of wavelet transform when Hankel matrix is used. It is proved that a signal can be decomposed into the linear sum of a series of component signals by Hankel matrix-based SVD, and essentially what the component signals reflect are projections of original signal on the orthonormal bases of m-dimensional and n-dimensional vector spaces. The similarity mechanism of signal processing between SVD and wavelet transform is analyzed from the angle of basis of vector space and characteristic of Hankel matrix. The orthogonality of the component signals got by SVD and wavelet transform is also studied. It is discovered that singularity of signal can also be detected by Hankel matrix-based SVD, and compared with wavelet transform, there are two characteristics in SVD for singularity detection, one is that the order of vanishing moment of SVD component signals is increased progressively and the one of the nth SVD component signal is ‘n?1’, so singular points with different Lip index can all be detected, the other is that the width of impulse indicating the position of singularity will always keep the same throughout all SVD components and this width is determined by the column number of Hankel matrix.     

用奇异谱和奇异熵研究数控工作台动态特征

通过采集数控工作台振动加速度信号,对其进行奇异值分解,得到奇异谱和奇异熵。通过主分量、奇异谱和奇异熵等特征量揭示数控工作台动态特征和规律性。奇异值分解结果表明,可以用前一、两个主分量的特征来研究整个时间序列的信号特征以简化特征提取。用奇异谱陡峭程度辨别信号的复杂程度,发现驱动轴方向信号最简单,铅垂方向信号最复杂。用奇异熵值研究信号的不确定性发现:数控工作台信号既不是简单信号也不是白噪声;驱动轴方向熵值低;熵值随移动速度增加有所增加;共振或爬行等典型状态熵值明显减少。     

应用最优重分配小波尺度谱的小波脊线提取

针对基于小波尺度谱的模极大值法提取小波脊线存在受噪声干扰影响大、高频部分频率分辨率低等缺点,提出一种基于最优重分配小波尺度谱的小波脊线提取方法。首先,优化M orlet母小波使其与信号特征成分实现最佳匹配,再对小波尺度谱进行重分配,提高尺度谱的时频聚集性;然后,对重分配尺度谱进行信号奇异值分解降噪,降低噪声干扰影响;最后,利用模极大值法提取出小波脊线,根据小波脊线与频率的关系得到信号的瞬时频率。仿真算例和实际工程应用结果表明,该方法能有效提取出强噪背景下的机械故障特征。     

APPLICATION OF SINGULAR VALUE DECOMPOSITION FOR IDENTIFICATION OF LIQUID PRECURSOR CHEMICALS USING ENERGY-DISPERSIVE X-RAY SCATTERING

A new method based on singular value decomposition (SVD) was developed to identify liquid precursor chemicals in this paper. Feature scattering spectra of several kinds of pure liquid precursor chemicals were described through energy-dispersive x-ray scattering (EDXRS). These spectra, each of which was unique to particular liquid, were organized as matrices for SVD after truncation and smoothing. It was demonstrated that the two largest singular values and their corresponding left and right singular vectors of each matrix could reconstruct the matrix in the permissible error and contained enough information of the matrix. We extracted the two largest singular values of each matrix as the characteristic of the relative spectrum, and successfully identified several pure liquid precursor chemical samples. It can be hopefully expected that this method is effective for inspection of high concentration and multitudinous liquid precursor chemicals.     

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。     

基于最大小波奇异谱的轴承故障诊断方法

研究小波奇异谱在轴承故障诊断中的应用问题,针对小波奇异谱熵无法有效实现故障诊断的不足,提出以最大小波奇异谱为特征的轴承故障诊断方法。该方法利用小波变换后的系数矩阵的最大奇异值作为故障诊断特征,并将试验结果与以小波奇异谱熵为特征的方法进行比较。结果表明,该方法在识别性能上有显著提高。试验从小波基、窗口宽度两个层面对该方法的诊断性能进行了分析,证明该方法具有较强的稳定性和鲁棒性。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.