基于奇异值分解(Singular value decomposition,SVD)重构能够有效分离和抑制监测信号中的随机噪声分量,但其性能受限于轨迹矩阵的构造、有效分量评估选择等因素的影响。针对该问题,提出了一种基于最小互信息(Min mutual information,MMI...基于奇异值分解(Singular value decomposition,SVD)重构能够有效分离和抑制监测信号中的随机噪声分量,但其性能受限于轨迹矩阵的构造、有效分量评估选择等因素的影响。针对该问题,提出了一种基于最小互信息(Min mutual information,MMI)自适应累加奇异值子对(Sum singular value pairs,SSVP)优化框架并应用于机床轴承故障信号的特征提取。首先,采用反对角平均法计算奇异值(Singular value,SV)和奇异值向量,利用SV对子信号能量的表征能力得到奇异值子对(Singular value pairs,SVP);然后,基于MMI指标自适应获取最佳重构分量,避免了过降噪或欠降噪;同时,利用MMI和奇异值比(Singular value ratio,SVR)指标联合确定Hankel矩阵的最优分解维数。最后利用主轴故障轴承数据以及工业现场某加工中心进给系统轴承故障数据验证了MMI-SSVP方法的有效性。展开更多
文摘基于奇异值分解(Singular value decomposition,SVD)重构能够有效分离和抑制监测信号中的随机噪声分量,但其性能受限于轨迹矩阵的构造、有效分量评估选择等因素的影响。针对该问题,提出了一种基于最小互信息(Min mutual information,MMI)自适应累加奇异值子对(Sum singular value pairs,SSVP)优化框架并应用于机床轴承故障信号的特征提取。首先,采用反对角平均法计算奇异值(Singular value,SV)和奇异值向量,利用SV对子信号能量的表征能力得到奇异值子对(Singular value pairs,SVP);然后,基于MMI指标自适应获取最佳重构分量,避免了过降噪或欠降噪;同时,利用MMI和奇异值比(Singular value ratio,SVR)指标联合确定Hankel矩阵的最优分解维数。最后利用主轴故障轴承数据以及工业现场某加工中心进给系统轴承故障数据验证了MMI-SSVP方法的有效性。
