针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value medi...针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value median decomposition,SVMD)相结合。首先,考虑到旋转机械的故障特征,对轴承故障信号采用1步长方法构造Hankel矩阵;其次,考虑到信号的协方差矩阵对于信号自相关去噪的优势,进而计算Hankel的协方差矩阵并进行空间重构;再次,采用奇异值差分谱方法对重构后的协方差矩阵信号进行分解处理而实现初步降噪,通过奇异值中值分解方法对其进行分解和筛选处理而完成二次降噪,并根据处理后信号的频谱包络,实现轴承故障特征信息的提取;最后,通过滚动轴承仿真数据分析得出,所提方法能够有效提取出噪声信号的故障特征及其谐波,实现不同轴承故障类型特征的有效提取,为滚动轴承故障复杂信号处理和诊断提供了一种新的方法和途径。展开更多
针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,...针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.展开更多
文摘针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value median decomposition,SVMD)相结合。首先,考虑到旋转机械的故障特征,对轴承故障信号采用1步长方法构造Hankel矩阵;其次,考虑到信号的协方差矩阵对于信号自相关去噪的优势,进而计算Hankel的协方差矩阵并进行空间重构;再次,采用奇异值差分谱方法对重构后的协方差矩阵信号进行分解处理而实现初步降噪,通过奇异值中值分解方法对其进行分解和筛选处理而完成二次降噪,并根据处理后信号的频谱包络,实现轴承故障特征信息的提取;最后,通过滚动轴承仿真数据分析得出,所提方法能够有效提取出噪声信号的故障特征及其谐波,实现不同轴承故障类型特征的有效提取,为滚动轴承故障复杂信号处理和诊断提供了一种新的方法和途径。
文摘针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.
