针对滚动轴承在自身谐振干扰及强背景噪声影响下,滚动轴承损伤时引起调制现象难以检测的问题,提出基于多分辨奇异值分解(Multi-resolution Singular Value Decomposition,MRSVD)的包络解调方法。该方法首先采用MRSVD方法将振动信号逐层...针对滚动轴承在自身谐振干扰及强背景噪声影响下,滚动轴承损伤时引起调制现象难以检测的问题,提出基于多分辨奇异值分解(Multi-resolution Singular Value Decomposition,MRSVD)的包络解调方法。该方法首先采用MRSVD方法将振动信号逐层分解获得具有不同分辨率的近似信号和细节信号,经理论分析得到的第一个细节信号主要成分为噪声,且最后一个近似信号主要成分为谐波干扰。进一步结合峭度指标从其他细节信号(第一个细节信号除外)中提取其中隐藏的周期性冲击信号,根据周期性冲击信号的包络解调谱进行轴承故障的诊断。仿真分析和应用实例证明了该方法的有效性。展开更多
针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based ...针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。展开更多
文摘针对滚动轴承在自身谐振干扰及强背景噪声影响下,滚动轴承损伤时引起调制现象难以检测的问题,提出基于多分辨奇异值分解(Multi-resolution Singular Value Decomposition,MRSVD)的包络解调方法。该方法首先采用MRSVD方法将振动信号逐层分解获得具有不同分辨率的近似信号和细节信号,经理论分析得到的第一个细节信号主要成分为噪声,且最后一个近似信号主要成分为谐波干扰。进一步结合峭度指标从其他细节信号(第一个细节信号除外)中提取其中隐藏的周期性冲击信号,根据周期性冲击信号的包络解调谱进行轴承故障的诊断。仿真分析和应用实例证明了该方法的有效性。
文摘针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。
