基于张量奇异谱分解的机械故障特征提取方法研究
基于奇异值分解及形态滤波的滚动轴承故障特征提取方法
基于奇异值分解及形态滤波的滚动轴承故障特征提取方法李兆飞;柴毅;李华锋【期刊名称】《计算机应用研究》【年(卷),期】2012(29)4【摘要】Considering the strong noise background in fault feature information of vibration signal in rolling element bearing,tlus paper proposed a roller bearing fault feature extraction method based on SVD and morphological filters. This method madeuse of the relations between the singular value distribution of the time series track matrix of attractor and the signal characteris-tics to select the way of reconstruction of signal by most potential reflecting singular values. This way could filter smooth infor-mation and partial noise in the signal,and got impulse information with noise in the signal,then took the advantage of the fea-ture that morphological filters was used to extract impulse feature in fault signal to act in opposition to pick out the extract im-pulse fault feature in signal and applied it to fault feature extraction of bearing in vibration signal. Results of experiment show that the presented method can be used for the abstraction of the weak feature signal that mixed in the stronS; background noise,wluch is effective to abstract weak feature signal.%针对滚动轴承振动信号故障特征信息往往被强背景噪声淹没的问题,提出一种基于奇异值分解和形态滤波的振动信号故障特征提取方法.该方法利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,选择轨迹矩阵中主要反映冲击信息明显的奇异值进行信号重构的方法来滤除信号中的平滑信号和部分噪声,获取带噪声的冲击信号；然后利用形态滤波能有效滤除脉冲干扰噪声的特点,反其道而行之,从而提取信号的冲击故障特征的方法,并将该方法应用于轴承的振动信号的故障特征提取.仿真与实例表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法.【总页数】4页(P1314-1317)【作者】李兆飞;柴毅;李华锋【作者单位】重庆大学自动化学院,重庆400044;重庆大学自动化学院,重庆400044;重庆大学自动化学院,重庆400044【正文语种】中文【中图分类】TP391.5【相关文献】1.基于形态滤波和 HHT 的滚动轴承故障特征提取 [J], 刘继承;聂品磊;杨宏宇;宋剑白;杨文涛2.基于形态滤波优化算法的滚动轴承故障特征提取方法 [J], 宋平岗;周军3.基于固有时间尺度分解与多尺度形态滤波的滚动轴承故障特征提取方法 [J], 关焦月;田晶;赵金明;富华丰4.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 [J], 汤宝平;蒋永华;张详春5.基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法 [J], 王建国;李健;万旭东因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年度基于EMD和随机共振的机械故障特征提取方法研究》范文
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业技术的快速发展，机械设备的运行状态和故障诊断变得越来越重要。
机械故障特征提取是故障诊断的关键步骤，对于提高设备的运行效率和延长使用寿命具有重要意义。
然而，由于机械设备运行环境的复杂性和故障类型的多样性，传统的故障特征提取方法往往难以满足实际需求。
近年来，基于经验模态分解（Empirical Mode Decomposition，EMD）和随机共振（Stochastic Resonance，SR）的信号处理方法在机械故障特征提取中得到了广泛应用。
本文旨在研究基于EMD和SR的机械故障特征提取方法，以提高故障诊断的准确性和可靠性。
二、EMD理论基础及其在机械故障特征提取中的应用EMD是一种自适应的信号处理方法，能够根据信号本身的时频特性进行模态分解。
在机械故障特征提取中，EMD能够将复杂的机械振动信号分解为具有不同频率特性的模态函数（Intrinsic Mode Functions，IMFs），从而提取出与故障相关的特征信息。
EMD方法具有非线性、非稳态信号处理能力强、无需预先设定基函数等优点，因此在机械故障诊断中得到了广泛应用。
然而，EMD方法在处理含有噪声的信号时，往往会受到模态混叠和端点效应的影响，导致提取的故障特征不准确。
为了解决这些问题，可以通过改进EMD算法，如加入噪声辅助的EMD （Noise-Assisted EMD）或集成EMD等方法，提高EMD在机械故障特征提取中的性能。
三、随机共振理论基础及其在机械故障特征提取中的应用随机共振是一种利用非线性系统的随机振动来增强弱信号的方法。
在机械故障特征提取中，随机共振可以通过将机械振动信号与随机噪声进行耦合，使得弱信号在非线性系统中得到增强和突出。
通过调整随机噪声的参数和系统的非线性特性，可以有效地提取出与故障相关的特征信息。
随机共振方法具有对弱信号敏感、无需预先设定阈值等优点，能够有效地抑制背景噪声的干扰，提高故障特征提取的准确性和可靠性。
基于奇异值分解拓展应用的故障特征提取技术
时， 首 先需要 构 造 一 个 相应 的分 解 矩 阵 。在 振动 信
引 言
提
供 了强 大 的技 术 支 持 ， 故 障 特 征 提取 技 术 是 故 障 诊 断研 究 的灵 魂 ， 它 直 接关 系 到 故 障诊 断 的准 确 性 。
基 于奇 异值 分 解 拓 展 应 用 的 故 障特 征 提 取 技 术
童 水 光 ， 唐 宁 ， 从 飞 云 ， 周 懿 ， 董广 明
（ １ ． 浙 江大学工学部 杭州 ， ３ １ ０ ０ ２ ７ ）
（ ２ ． 上 海 交 通 大 学 机 械 系 统 与 振 动 国家 重 点实 验 室
第３ ７卷 第 １ 期 ２ ０ １ ７年 ２月
振动 、 测 试 与 诊 断
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｖｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ． Ｍｅ ａ ｓ ｕ ｒ ｅ ｍｅ ｎ ｔ＆ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ
Ｖｏ １ ． ３ ７ ＮＯ ． １
Ｆｅ ｂ． ２０ １７
下 的信号 ， 奇异 值 分 解方 法 对 突变 信 息 的 检 测 能力
好 于 小波 分析 方法 。
针对 目前 关 于奇 异 矩 阵 架 构方 法 存 在 的不 足 ，
从提 高 冲击局 部识 别 能 力 的 角度 出发 ， 考 察 某 离散 时 间序列 （ 愚 ） ， 其中： 一１ ， ２ ， …， Ｎ； Ｎ 为 离散 时 间
击 故 障 特 征 具 有 优 越 的 识 别 和 提 取 能力 ， 对 实 现 滚 动 轴 承 强 噪声 背 景 下 的故 障诊 断具 有 重 要 意义 。
关 键 词 奇 异 值 分 解 ； 滑 移矩 阵 ； 特征提取 ； 滚动轴承 ； 故 障 诊 断
基于奇异值分解的航空发动机转子碰摩故障特征提取方法
基于奇异值分解的航空发动机转子碰摩故障特征提取方法张永强;易亮
【期刊名称】《应用力学学报》
【年(卷),期】2019(0)2
【摘要】提出了利用奇异值分解(SVD)提取航空发动机转子碰摩故障特征信号的方法,通过数值仿真得到,奇异值分解方法可以非常有效地将各种不同特征信号完全提取分离,论证了该方法的可行性。
然后以某型国产航空发动机在试车台开车过程中某稳定状态的转子振动测量数据为基础,利用奇异值分解的优选差分谱理论对振动信号进行了降噪处理;根据傅里叶变换频谱图中各频率点峰值与奇异值分解差分谱峰值序列相对应的特点,对降噪后振动信号进行了特征提取,实现了转子系统的碰摩故障特征信号的提取。
实际结果表明,该方法能够有效地诊断转子系统碰摩故障及提取相应的故障特征信号。
【总页数】8页(P260-266)
【作者】张永强;易亮
【作者单位】中国航发商发制造试验验证中心
【正文语种】中文
【中图分类】V263.6
【相关文献】
1.基于第二代小波变换的转子碰摩故障特征提取方法研究
2.基于第二代小波变换的转子碰摩故障特征提取方法
3.航空发动机转子系统早期裂纹碰摩故障特征提取方
法4.航空发动机转子系统早期裂纹碰摩故障特征提取方法5.基于实测冲击响应的转子碰摩故障特征提取方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于奇异值差分谱与改进包络分析的轴承故障特征提取
Ｙａ ｎ ｇ Ｗａ ｎ ｇ—ｃ ａ ｎ， Ｚｈ ａ ｎ ｇ Ｐｅ ｉ—ｌ ｉ ｎ， Ｗａ ｎｇ Ｈｕ ａ ｉ—ｇ ｕ ａ ｎ ｇ， Ｃｈ ｅ ｎ Ｙａ ｎ—ｌ ｏ ｎ ｇ
（ Ｓ ｅ ｖ ｅ ｎ ｔ ｈ Ｄ ｅ ｐ ａ ｒ ｔ ｍ ｅ ｎ ｔ ， Ｏ ｒ ｄ ｎ ａ ｎ ｃ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ， Ｓ ｈ ｉ ｊ ｉ ａ ｚ ｈ ｕ ａ ）
摘要 ： 针对滚动轴承振动信号故 障特征难以提取的问题 ， 提出了一种基于奇异值差分谱 与改进包络 分析 的轴 承
故 障特征提取方法。首先 ， 通过奇异值分解将原 始轴承振动信号分解为一 系列 能够 线性叠加 的分量信 号 ， 利 用
故障特征分量和噪声分量在奇异值上 的差异 ， 根据奇异值差分谱 的性 质筛 选出有效奇异值 ， 选择包 含故 障特征 的分量重构信号。针对奇异值分解去噪后仍存在残余 噪声 ， 采用改进包络分析 ， 在频域 中进一步去 除重构信 号 中的残余噪声。最后对实测轴承信号进行分析 ， 准确地提取 到故 障特征 明显 、 故 障频率 突出 的轴 承故 障信号 ，
ＣＮ ４１—１ １ ４ ８ ／ Ｔ Ｈ
轴承 ２ ０ １ ３ 年５ 期 量 ！ 二 ！ 鱼 Ｂ ｅ ａ ｉ ｒ ｎ ｇ ２ ０１ ３． Ｎ ｏ． ５
４ ９—５ ３
基于奇异值差分谱与改进包络分析 的轴承 故障 特 征 提 取
杨望灿 ， 张培林 ， 王怀光 ， 陈彦龙
（ 军械工程 学院 七系， 石家庄 ０ ５ ０ ０ ０ ３ ）
ｆ ｏ ｒ ｗ ａ ｒ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｏ ｆ ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ ｖ ｌｕ ａ ｅ ａ ｎ ｄ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｅ ｎ ｖ ｅ ｌ ｏ ｐ ｅ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ， ｔ ｈ ｅ ｏ ｒ ｉ ｇ ｉ ｎ ａ ｌ ｂ ｅ ａ ｉ ｒ ｎ ｇ ｖ ｉ — ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ｌ ａ ｉ ｓ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｅ ｄ ｉ ｎ ｔ ｏ ａ ｓ ｅ ｒ ｉ ｅ ｓ ｏ ｆ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｓ ｉ ｇ ｎ ａ ｌ ｓ ｗｈ ｉ ｃ ｈ ｉ ｓ ａ ｂ ｌ ｅ ｔ ｏ ｂ ｅ ａ ｄ ｄ ｅ ｄ ｌ ｉ ｎ ｅ ａ ｒ ｌ ｙ ｂ ｙ ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ ｖ ｌｕ ａ ｅ ｄ ｅ －
综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法
第３１卷第２４期中国机械工程V o l ．３１㊀N o ．２４２０２０年１２月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．２９８８Ｇ２９９６综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法唐贵基㊀李楠楠㊀王晓龙华北电力大学机械工程系,保定,０７１００３摘要:针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(I S S D )结合奇异值分解(S V D )的齿轮故障特征提取方法.针对奇异谱分解(S S D )算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对S S D 算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了S V D 处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果.最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱㊁S S D 包络谱以及经验模态分解结合S V D (E M D ＧS V D )方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别.关键词:改进奇异谱分解;奇异值分解;散布熵;齿轮;故障特征提取中图分类号:T H １３３．３;T H １７D O I :１０．３９６９/j．i s s n ．１００４ １３２X．２０２０．２４．０１３开放科学(资源服务)标识码(O S I D ):F a u l t F e a t u r eE x t r a c t i o n M e t h o d f o rG e a r sB a s e do n I S S Da n dS V DT A N G G u i j i ㊀L IN a n n a n ㊀WA N G X i a o l o n gD e p a r t m e n t o fM e c h a n i c a lE n g i n e e r i n g ,N o r t hC h i n aE l e c t r i cP o w e rU n i v e r s i t y ,B a o d i n g,H e b e i ,０７１００３A b s t r a c t :A i m i n g at t h e p r o b l e m s t h a t t h e g e a r f a u l t f e a t u r e sw e r ew e a ka n dd i f f i c u l t t oe x t r a c t e f f e c t i v e l y u n d e r s t r o n g b a c k g r o u n dn o i s e s ,a f a u l t f e a t u r e e x t r a c t i o n m e t h o d f o r g e a r sw a s p r o po s e d b a s e do n I S S Da n dS V D．C o n s i d e r i n g t h ed e f e c t s t h a t t h em o d a l p a r a m e t e r sn e e d e d t ob e s e l e c t e db y e x p e r i e n c e i n t h eS S Da l g o r i t h m ,t h eS S Da l g o r i t h m w a s i m p r o v e db a s e do nd i s p e r s i o ne n t r o p y o pt i Ｇm i z a t i o na l g o r i t h m．O n t h eb a s i s o f g e t t i n g a s e t o f s i n g u l a r s p e c t r u mc o m p o n e n t (S S C ),t h eo pt i m a l S S Cw a s s e l e c t e da c c o r d i n g t ot h ek u r t o s i s m a x i m u m c r i t e r i o na n dt h eS V D p r o c e s s i n g w a sc a r r i e d o u t ．T h e s i n g u l a r v a l u e e n e r g y s t a n d a r d s p e c t r u m w a su s e d t oa d a p t i v e l y d e t e r m i n e t h e s i gn a l r e c o n Ｇs t r u c t i o no r d e r t o r e s t o r e t h e s i g n a l s a n d i m p r o v e t h en o i s e r e d u c t i o ne f f e c t i v e n e s s ．F i n a l l y,t h e g e a r f a u l t f e a t u r e sw e r ee x t r a c t e db y u s i n g e n v e l o p ed e m o d u l a t i o n ．T h e p r o p o s e d m e t h o d w a sa p pl i e d i n s i m u l a t e d s i g n a l s a n d g e a rm e a s u r e ds i g n a l s ,a n dc o m p a r e dw i t ht h e t r a d i t i o n a l e n v e l o p es pe c t r u m ,S S De n v e l o p e s p e c t r u ma n d e m p i r i c a lm o d e d e c o m p o s i t i o n c o m b i n e dw i t hS V D (E M D ＧS V D )m e t h o d s ．T h e r e s u l t s s h o wt h a t t h e p r o po s e dm e t h o dh a s b e t t e r e f f e c t i v e n e s s o f n o i s e r e d u c t i o n a n d f e a t u r e e x Ｇt r a c t i o n ,a n dm a y r e a l i z e t h e i d e n t i f i c a t i o no f g e a r f a u l t sm o r e e f f e c t i v e l y．K e y wo r d s :i m p r o v e ds i n g u l a rs p e c t r u m d e c o m p o s i t i o n (I S S D );s i n g u l a rv a l u ed e c o m p o s i t i o n (S V D );d i s p e r s i o ne n t r o p y ;ge a r ;f a u l t f e a t u r e e x t r a c t i o n 收稿日期:２０１９０９０３基金项目:国家自然科学基金资助项目(５１７７７０７４);中央高校基本科研业务费专项资金资助项目(２０１８M S １２４,２０１７M S １９０);河北省自然科学基金资助项目(E ２０１９５０２０４７)０㊀引言作为机械传动链的关键部件,齿轮的工作状态在风力发电机传动系统中发挥着重要作用.据统计,风机齿轮箱在恶劣环境下工作的损坏率高达４０％~５０％[１],这将面临高昂的运维费用[２],并造成严重的损失,因此,对齿轮的故障诊断具有重要的意义.在实际工程中,齿轮故障特征因经常被淹没在强背景噪声中而导致提取相对困难,因此必须对振动信号进行降噪处理.针对上述问题,国内外已进行了大量研究.文献[３]利用经验模态分解(e m p i r i c a lm o d e d e c o m po s i t i o n ,E M D )和谱峭度相结合的方法完成了故障诊断,但E M D 的模态混叠现象严重.文献[４]将共振稀疏分解与最８８９２ 中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.大相关峭度解卷积(m a x i m u mc o r r e l a t e dk u r t o Ｇs i s d e c o n v o l u t i o n ,M C K D )相结合来提取出齿轮故障特征,但M C K D 滤波器长度的选取缺乏有效依据,降噪效果有待提高.文献[５]提出了一种改进的噪声辅助方法部分集成经验模态分解(p a r t l y e n s e m b l e e m p i r i c a lm o d e d e c o m po s i t i o n ,P E E M D )法,虽然该方法在一定程度上抑制了模态混叠现象,但存在按经验选取加入噪声的大小和次数㊁缺乏自适应性等问题.文献[６]提出了时变滤波经验模态分解(t i m ev a r y i n g f i l t e r i n gＧb a s e dE M D ,T V F E M D )方法,该方法可缓解模态混叠问题,但需人为设置B 样条阶数,存在盲目性.文献[７]运用奇异值分解(s i n gu l a rv a l u e d e c o m po s i t i o n ,S V D )结合频率切片小波变换(f r e q u e n c y s l i c ew a v e l e t t r a n s f o r m ,F S WT )的方法处理齿轮故障信号,提取出了微弱故障信息,但F S WT 的频率分辨能力敏感,受噪声影响大.B O N I Z Z I 等[８]提出了一种新的自适应信号处理方法 奇异谱分解(s i n g u l a r s pe c t r u md e Ｇc o m po s i t i o n ,S S D )法,该方法可自适应地重构从高频到低频分布的单分量信号,有效抑制了模态混叠和伪分量的产生,为非平稳非线性信号的处理提供了新思路.但该方法需要预先设定分解层数(即模态数)K [９],而K 值仅凭人为经验选取,故障信号的分解及频带的选取效果欠佳.为此,本文提出了基于散布熵优化的改进奇异谱分解(i m p r o v e d s i n g u l a r s p e c t r u m d e c o m p o s i t i o n ,I S S D )方法并用于齿轮故障信号的前置降噪处理.然而齿轮故障特征微弱且受噪声干扰严重,分量信号中依然存在无关噪声成分.奇异值分解(S V D )具有良好的消噪能力,能最大限度地保留有用信息,剔除无用信息,并提高信号的信噪比[１０],因此本文将其与I S S D 方法相结合以提高降噪效果,从而可以清晰地提取出齿轮故障信息.１㊀基本原理简介１．１㊀奇异谱分解奇异谱分解(S S D )是一种新的处理非平稳非线性信号的自适应分解方法,通过迭代法将原始序列分解为一系列不同频带的奇异谱分量(s i n Ｇg u l a r s p e c t r u mc o m po n e n t ,S S C ).S S D 方法的分解过程包括:构建一个新的轨迹矩阵,自适应选择嵌入维数,按高频到低频的顺序重构S S C 分量,设置迭代停止条件[１１Ｇ１２].该方法可通过构建一个新的轨迹矩阵来增强原信号中的振荡成分,并使得迭代后残余分量的能量呈现出递减规律;嵌入维数和特定重构分量主要组件的选择完全由数据驱动,从而可实现S S D 方法的自适应分解.S S D 方法能够准确地提取出时间序列中不同频带的分量信号,抑制了虚假分量的产生,有效避免了模态混叠现象的产生,同时能够去除振动信号中的背景噪声成分.１．２㊀散布熵散布熵(d i s p e r s i o ne n t r o p y,D E )是由R O S ＧT A G H I 等[１３]提出的一种检测时间序列动态变化或不规则程度的方法,该方法计算速度快㊁鲁棒性强并考虑了幅值间关系.散布熵值越大,不规则程度越高;散布熵值越小,不规则程度越低.由此可知,时间序列的周期性冲击越强,表现越有序,则散布熵值越小.基于此,本文利用散布熵优化了S S D 方法.１．３㊀奇异值分解对离散时间信号序列{x j ,j ＝１,２, ,N }构造m ˑn 阶的H a n k e l 矩阵H ,其中N 为信号长度,１＜n ＜N ,m ＝N －n ＋１.矩阵H 的奇异值分解(S V D )可表示为H ＝U S V T (１)式中,U ㊁V 均为正交矩阵,U ɪR m ˑm ,V ɪR n ˑn;S 为对角阵,S ɪRm ˑn.对角阵S 可表示为S ＝[d i a g (σ１,σ２, ,σq )㊀０](２)式中,σi (i ＝１,２, ,q )为矩阵H 的奇异值;q 为非零奇异值的数量.为减少矩阵H 的冗余度,大量消除噪声,有必要选择有效奇异值和相应的矩阵分量[１４]来重构矩阵,本文采用奇异值能量标准谱来确定矩阵的有效阶次,其表达式如下[１５]:S i ＝σ２iσ２m a x㊀㊀i ＝１,２, ,q(３)式中,S i 为能量比值;σm a x 为最大奇异值.振动信号中有效信号能量分布集中,而噪声信号能量分布分散,与噪声信号相比,有效信号对奇异值能量的贡献程度明显更高.有效信号在奇异值能量标准谱上的幅值和曲线斜率大,对应前i 个奇异值;而噪声信号的幅值和曲线斜率小,对应后面较小的奇异值.由此可知,奇异值能量标准谱上必然会出现拐点,该点即为有效信号和噪声成分的分界点,从而可确定信号的最佳重构阶数.２㊀I S S D 结合S V D 的齿轮故障特征提取２．１㊀改进奇异谱分解S S D 作为一种处理非平稳非线性信号的自适应分解方法,能够有效抑制模态混叠现象,从而９８９２ 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法唐贵基㊀李楠楠㊀王晓龙中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.实现频带的自适应划分.然而,S S D 算法中需要人为设置模态数K ,若设置模态个数过少,则易导致信号分解不彻底,丢失重要的故障特征信息;若设置模态个数过多,则分解时会产生伪分量㊁模态混叠等问题.由此,本文提出了基于散布熵优化的改进奇异谱分解(I S S D )方法,以确定S S D 算法中的模态数K .利用散布熵最小值原则确定模态数K ,该方法简单且有效,便于进行下一步分析.２．２㊀算法步骤及流程图１所示为I S S D 结合S V D 的齿轮故障特征提取方法(以下简称 I S S D ＧS V D 方法 )的具体实现流程.图１㊀故障特征提取流程图F i g．１㊀F a u l t f e a t u r e e x t r a c t i o n f l o wc h a r t (１)优化S S D 算法的模态数K .首先设定初始化模态数K ＝２以及K 的搜索范围,本文选定K 为[２,９],然后对原始信号进行S S D 处理,得到K 个不同的奇异谱分量(S S C ),计算各S S C 分量的散布熵值,搜索其中的散布熵最小值.若该散布熵最小值为整体散布熵最小值,则确定模态数K ;若不是则将K 赋值给K ＋１并继续以上分析,直到取到整体散布熵最小值为止.(２)对原始信号进行I S S D 处理,可得到K 个不同频带的S S C 分量.(３)计算各S S C 分量的峭度值,筛选出峭度值最大的分量作为最佳分量.(４)对最佳S S C 分量进行S V D 信号重构,根据奇异值能量标准谱曲线的拐点位置来确定奇异值的有效阶数.(５)对重构信号进行包络谱分析.(６)从所得包络谱中辨识出故障特征谱线,由此诊断出齿轮故障.３㊀仿真信号分析为验证本文所提方法对齿轮故障特征提取的有效性,构造如下仿真信号[７]:y (t )＝y １(t )＋y ２(t )＋n (t )(４)y １(t )＝２e －C t １s i n (２πf c t )㊀㊀t １＝m o d (t ,１/f i )y ２(t )＝０．６s i n (３０πt )c o s (２πf zt )式中,y １(t )为周期性指数衰减的冲击信号;m o d ( )表示求余函数;C 为衰减系数,取C ＝５００;f i 为模拟故障齿轮轴的转频,取f i ＝３０H z ,则冲击周期为１/f i ＝０．０３s ;f c 为载波频率,取f c ＝１８００H z ;y ２(t )为被啮合频率调制的齿轮故障信号;f z 为啮合频率,取f z ＝１０００H z ;n (t )为高斯白噪声信号.本文设置采样频率为１０２４０H z,采样点数为４０９６.图２a 为仿真信号的时域图,可以看到冲击特征被强噪声淹没.图２b 为仿真信号的包络图,可以看出干扰噪声多且找不到任何转频成分,由此不能判断齿轮是否发生了故障.(a )时域图(b)包络谱图２㊀故障仿真信号时域及包络谱F i g ．２㊀T i m e d o m a i na n d e n v e l o p e s pe c t r u mof f a u l t s i m u l a t i o n s i gn a l ３．１㊀S S D 的参数优化上述分析结果表明传统的包络分析对该故障信号已失效,因此,本文采用S S D 方法对仿真信号进行分解,首先确定模态数K ,初始化K ＝２,设定K 的搜索范围为[２,９],然后利用散布熵最小值原则优化K ,从而得到模态数K 与散布熵值关系图(图３).从图３中可以看出,当K ＝４时开始出现散布熵最小值,因此取模态数K ＝４.０９９２ 中国机械工程第３１卷第２４期２０２０年１２月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.图３㊀模态数K 与散布熵值关系F i g ．３㊀R e l a t i o n s h i p b e t w e e n K a n dd i s p e r s i o n e n t r o p y３．２㊀I S S D ＧS V D 方法分析本文采用I S S D ＧS V D 方法对仿真信号进行分析,仿真信号y (t )经I S S D 处理后得到了４个S S C 分量,分解结果如图４所示.表１所示为各S S C 分量的峭度值,其中S S C ３分量的峭度值最大,因此将其确定为最佳分量.对S S C ３分量进行S V D 处理,可得到图５所示的奇异值能量标准谱,可以看出,图中标记点i ＝１２之后的曲线斜率明显减小,该段曲线平缓且对应信号的幅值小,因此将i ＝１２作为曲线的拐点(即有用信号与噪声成分的分界点).选取分界点在内的前１２个奇异值进行S V D 重构,其时域波形如图６所示.与图２a 对比可以发现,经I S S D ＧS V D 处理后,图６中时域波形的周期性冲击特征明显,相邻两个脉冲间隔均为０．０３s,与冲击周期一致,重构效果良好.图４㊀仿真信号的I S S D 分解结果F i g ．４㊀I S S Dd e c o m p o s i t i o n r e s u l t o f s i m u l a t i o n s i gn a l 表１㊀各奇异谱分量的峭度值T a b ．１㊀K u r t o s i s v a l u e o f e a c h s i n g u l a r s p e c t r u mc o m po n e n t 分量S S C １S S C ２S S C ３S S C ４峭度值３．２２２．８０３．８４２．７１㊀㊀对I S S D ＧS V D 重构信号进行包络解调,结果如图７所示.从图中可以发现,转频f i 及其前四倍频处的波形峰值突出,谱图干净清晰,无关干扰已被有效滤除.由此表明:I S S D 结合S V D 降噪方法能够准确地提取出故障特征,从而可判断出齿轮故障.为验证I S S D 方法与S V D 相结合的必要性,本文直接对S S C ３分量进行了包络分析,如图８图５㊀仿真信号的奇异值能量标准谱曲线F i g ．５㊀S i n g u l a r v a l u e e n e r g y s t a n d a r d s pe c t r u m c u r v e of s i m u l a t e d s i gn a l 图６㊀I S S D ＧS V D 重构信号波形图F i g ．６㊀W a v e f o r mo f I S S D ＧS V Dr e c o n s t r u c t e d s i gn a l 图７㊀I S S D ＧS V D 重构信号包络谱F ig ．７㊀E n v e l o p e s pe c t r u mof I S S D ＧS V D r e c o n s t r u c t e d s i gn a l 所示.与图７对比可以发现,图８中只能找到转频及其三倍频成分,无法识别出二倍频和四倍频成分,且噪声干扰较多,无法准确地提取出齿轮故障特征,诊断效果欠佳.图８㊀S S C ３分量包络谱F i g ．８㊀E n v e l o p e s pe c t r u mof S S C ３为对比分析说明I S S D ＧS V D 方法的降噪处理效果,本文采用经验模态分解结合S V D (E M D ＧS V D )方法对该仿真信号进行了分析.仿真信号经E M D 处理后可得到图９所示的本征模态函数(i n t r i n s i cm o d ef u n c t i o n ,I M F )分量,依据峭度准则选取峭度值最大的I M F ３分量作为最佳分量.对I M F ３分量进行S V D 降噪处理,可得到图１９９２ 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法唐贵基㊀李楠楠㊀王晓龙中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.１０所示的重构波形.与图６对比可以发现,图１０中E M D ＧS V D 重构结果的周期性冲击特征不明显.对E M D ＧS V D 重构信号进行包络谱分析,结果如图１１所示.从图中可以发现,仅一倍转频f i 处的峰值突出,而其他倍频成分微弱且无法识别,因此E M D ＧS V D 方法无法判断出齿轮故障.通过对比分析可进一步表明本文所提方法在故障特征提取上的优势.图９㊀仿真信号的E M D 分解结果F i g ．９㊀E M Dd e c o m p o s i t i o n r e s u l t o f s i m u l a t i o n s i gn a l 图１０㊀E M D ＧS V D 重构信号波形图F i g ．１０㊀W a v e f o r mo fE M D ＧS V Dr e c o n s t r u c t e d s i gn a l 图１１㊀E M D ＧS V D 重构信号包络谱F i g ．１１㊀E n v e l o p e s pe c t r u mo fE M D ＧS V D r e c o n s t r u c t e d s i gn a l 为定量分析３种对比方法的降噪效果,本文采用峭度值和均方根误差(r o o tm e a ns qu a r ee r Ｇr o r ,R M S E )这两个指标进行评价,峭度值越大表明处理信号的冲击特征越突出,侧面反映出受噪声干扰的程度越低,R M S E 用来反映信号幅值的真实值与测量值之间的偏差,R M S E 值越小,表明处理信号与原始冲击信号的重合度越高,去噪效果越好,具体结果见表２.由表２可知,原始信号经I S S D ＧS V D 处理后具有最大的峭度值,且R M S E 值明显减小,与其他两种方法相比降噪效果更好.表２㊀降噪结果对比T a b ．２㊀C o m pa r i s o no f n o i s e r e d u c t i o n r e s u l t s 评价指标原始信号E M D ＧS V D 方法I S S D ＧS V D方法I S S D 方法峭度值３．０１２．７９５．０９３．８４RM S E (m /s２)１．１６０．４３０．４５０．７１４㊀实验分析本实验通过Q P Z Z ＧⅡ型振动试验台分别模拟了大齿轮点蚀故障和小轮齿磨损故障.振动信号由安装在轴承座压盖上方的压电加速度传感器采集,传感器安装位置如图１２所示.采样频率为５１２０H z ,分析点数为４０９６.图１２㊀传感器安装位置F i g ．１２㊀M o u n t in gpo s i t i o no f s e n s o r ４．１㊀大齿轮点蚀故障在大齿轮点蚀故障实验过程中,电机转速为１４７０r /m i n ,主动轮齿数为５５,从动轮齿数为７５.计算得到的小齿轴转频f １＝２４．５H z,大齿轴转频f ０＝１７．９６H z.图１３为实测齿轮点蚀故障信号的时域图,可以看出时域波形的周期性冲击特征不明显,无法辨识出故障特征信息.对点蚀故障信号进行包络分析,可得到图１４所示的包络谱.从图中可以找到大齿轴转频f ０和二倍转频２f ０成分,但图中同样存在小齿轴转频f １成分,且噪声干扰较多.由此不能判断是大齿轮还是小齿轮发生了故障,这表明传统的包络分析方法已对该齿轮故障信号失效.图１３㊀点蚀故障信号的时域图F i g ．１３㊀T i m e d o m a i nd i a g r a mo f p i t t i n g f a u l t s i gn a l 采用本文方法对该点蚀故障信号进行分析,依据散布熵最小原则优化S S D 算法的模态数K ,可得到K 与散布熵值的关系,如图１５所示.由２９９２ 中国机械工程第３１卷第２４期２０２０年１２月下半月中国机械工程h tt p://ww w.c m e m o .o r g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.图１４㊀点蚀故障信号的包络图F i g ．１４㊀E n v e l o p e d i a g r a mo f p i t t i n g f a u l t s i gn a l 图１５可知,当K ＝７时开始出现散布熵最小值V D E ＝２．５３,因此取模态数K ＝７.图１５㊀点蚀状态下模态数K 与散布熵值关系图F i g ．１５㊀R e l a t i o n s h i p b e t w e e n K a n dd i s p e r s i o n e n t r o p yu n d e r t h e p i t t i n g st a t e 对实验信号进行I S S D 处理,可得到图１６所示的S S C 分量.计算各S S C 分量的峭度值,取峭度值最大的S S C ２分量作为最佳分量并进行S V D重构,可得到图１７所示的点蚀故障信号的奇异值能量标准谱,图中标记点i ＝２２为有用信号与噪声成分的分界点,因此选取分界点在内的前２２个奇异值进行S V D 重构,I S S D ＧS V D 点蚀重构信号如图１８所示.图１６㊀点蚀故障信号的I S S D 分解结果F i g ．１６㊀I S S Dd e c o m p o s i t i o n r e s u l t s o f p i t t i n g f a u l t s i gn a l 与图１６中S S C ２分量和图１３进行对比,可以看出,图１８中I S S D ＧS V D 点蚀重构信号时域波形的周期性冲击特征突出.对点蚀重构信号作进一步包络谱分析,结果如图１９所示,从图中可以发现,大齿轴转频f ０及其各阶倍频成分的幅值图１７㊀点蚀故障信号的奇异值能量标准谱曲线F i g ．１７㊀S i n g u l a r v a l u e e n e r g y s t a n d a r d s pe c t r u m c u r v e of p i t t i ng f a u l t s i gn a l 图１８㊀I S S D ＧS V D 点蚀重构信号波形图F i g ．１８㊀W a v e f o r mo f I S S D ＧS V D p i t t i n g r e c o n s t r u c t e d s i gn a l 谱线突出,且去除了大量杂频干扰噪声,因此很容易识别出大齿轮发生了故障.图１９㊀I S S D ＧS V D 点蚀重构信号包络谱F i g ．１９㊀E n v e l o p e s p e c t r u mo f I S S D ＧS V D p i t t i n gr e c o n s t r u c t e d s i gn a l 作为对比分析,本文又直接对S S C ２分量进行了包络解调,图２０所示为S S C ２分量的直接包络谱分析结果,从图中可以发现,大齿轴转频f ０及其二倍频成分的幅值谱线不突出,且噪声干扰较多,因此不能准确判别齿轮故障.与图１９对比可以发现,图２０中故障特征提取及降噪效果明显图２０㊀S S C ２分量包络谱F i g ．２０㊀E n v e l o p e s pe c t r u mof S S C ２３９９２ 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法唐贵基㊀李楠楠㊀王晓龙中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.不如本文方法,由此验证了在齿轮故障诊断中将I S S D 和S V D 这两种方法相结合的有效性.为进一步验证本文方法的优势,利用E M D ＧS V D 方法对该实验信号进行对比分析.点蚀故障信号经E M D 处理后峭度值最大的分量为I M F １,如图２１所示.对I M F １分量进行S V D 重构,其E M D ＧS V D 点蚀重构信号如图２２所示.图２３所示为E M D ＧS V D 点蚀重构信号的包络谱,从图中可以看出,在大齿轴转频及其倍频处存在波形峰值,但并不突出,因此不能准确判定出齿轮故障.图２１㊀I M F １分量波形图F i g．２１㊀W a v e f o r mo f I M F １图２２㊀E M D ＧS V D 点蚀重构信号波形图F i g ．２２㊀W a v e f o r mo fE M D ＧS V D p i t t i n gr e c o n s t r u c t e d s i gn a l 图２３㊀E M D ＧS V D 点蚀重构信号包络谱F i g ．２３㊀E n v e l o p e s p e c t r u mo fE M D ＧS V D p i t t i n gr e c o n s t r u c t e d s i gn a l 为定量对比E M D ＧS V D 与I S S D ＧS V D 这两种方法的特征提取效果,本文将各自包络谱中转频的前三倍频处得到的幅值绘制于图２４.从图中可以发现,采用E M D ＧS V D 方法在前三倍频处得到的幅值均小于采用本文方法在前三倍频处得到的幅值,由此表明,E M D ＧS V D 方法在特征提取上与I S S D ＧS V D 方法相比还存在较大的差距.图２４㊀两种方法倍频幅值对比图F i g ．２４㊀C o m p a r i s o no f f r e q u e n c y d o u b l i n g a m pl i t u d e o f t w om e t h o d s４．２㊀小齿轮磨损故障在小齿轮磨损故障实验过程中,电机转速为１４７８r /m i n ,主动轮齿数为５５,从动轮齿数为７５.理论计算得到的小齿轴转频f a ＝２４．６H z ,大齿轴转频f b ＝１８．０６H z.磨损故障信号的时域波形和包络谱分别如图２５a 和图２５b 所示.可以看出,时域图中周期性冲击特征无规律可循,包络谱中仅能识别出较为微弱的小齿轴转频f a 成分以及大齿轴转频f b成分,且背景噪声严重,故无法判断出齿轮故障类型.(a )时域图(b)包络谱图２５㊀磨损故障信号时域及包络谱F i g ．２５㊀T i m e d o m a i na n d e n v e l o p e s pe c t r u mof w e a r f a u l t s i gn a l 采用本文方法对磨损故障信号进行分析,利用散布熵最小原则优化S S D 算法的模态数K ,可得到K 与散布熵值的关系,如图２６所示.由图２６可知,当K ＝５时开始出现散布熵最小值V D E ＝１．８１,因此取模态数K ＝５.对磨损故障信号进行I S S D 处理,可得到５个不同频带的S S C 分量.利用峭度准则筛选出４９９２ 中国机械工程第３１卷第２４期２０２０年１２月下半月中国机械工程h tt p://ww w.c m e m o.or g.cn公众号：t r a ns -c me sCopyright©博看网 . All Rights Reserved.图２６㊀磨损状态下模态数K 与散布熵值关系F i g ．２６㊀R e l a t i o n s h i p b e t w e e n K a n dd i s p e r s i o n e n t r o p yu n d e rw e a r c o n d i t i o n最佳S S C 分量,如图２７所示.对该最佳分量进行S V D 重构,可得到图２８所示的磨损故障信号的奇异值能量标准谱,图中标记点i ＝１０为有用信号与噪声成分的分界点.选取分界点在内的前１０个奇异值进行S V D 重构,其时域波形如图２９所示.图２７㊀I S S D 分解的最佳分量波形F i g ．２７㊀O p t i m a l c o m po n e n tw a v e f o r mf o r I S S Dd e c o m po s i t i o n 图２８㊀磨损故障信号的奇异值能量标准谱曲线F i g ．２８㊀S i n g u l a r v a l u e e n e r g y s t a n d a r d s pe c t r u mc u r v e o fw e a rf a u l t s i gn a l 图２９㊀I S S D ＧS V D 磨损重构信号波形图F i g ．２９㊀W a v e f o r mo f I S S D ＧS V Dw e a r r e c o n s t r u c t e d s i gn a l 与图２７对比可以看出,图２９中I S S D ＧS V D磨损重构信号时域波形的周期性特征明显.对磨损重构信号作进一步包络谱分析,结果如图３０所示.从图中可以发现,小齿轴转频f a 及其二倍频成分处的波形峰值突出,滤除了大量高频噪声成分,由此表明:I S S D ＧS V D 方法具有良好的降噪和特征提取效果,能够准确判断出小齿轮发生故障.图３０㊀I S S D ＧS V D 磨损重构信号包络谱F i g ．３０㊀E n v e l o p e s pe c t r u mof I S S D ＧS V Dw e a r r e c o n s t r u c t e d s i gn a l ５㊀结论(１)本文对奇异谱分解(S S D )算法进行了改进,提出了基于散布熵优化的改进奇异谱分解方法,自适应地确定了分解层数,增强了故障信号分解及频带选取的效果.(２)提出了改进奇异谱分解结合奇异值分解(I S S D ＧS V D )的故障特征提取方法,采用奇异值能量标准谱确定了信号的最佳重构阶数,所提方法能够有效地去除强背景噪声,提取齿轮故障信息,并通过仿真信号和实测信号验证了所提方法的有效性.(３)与传统包络谱分析方法㊁S S D 包络解调方法以及经验模态分解结合奇异值分解(E M D ＧS V D )的包络谱分析方法相比,本文提出的I S S D ＧS V D 方法在齿轮故障特征提取中更有优势,降噪和诊断效果更佳.参考文献:[１]㊀武姣,姚肖方．风力发电机齿轮箱故障诊断方法及信号仿真[J ]．仪器仪表与分析监测,２０１１(４):６Ｇ８．WUJ i a o ,Y A O X i a o f a n g ．F a u l tD i a gn o s i s M e t h o d a n dS i g n a lS i m u l a t i o ni n G e a r b o xo f W i n dT u r b i n e G e n e r a t o r [J ]．I n s t r u m e n t a t i o n A n a l ys i s M o n i t o Ｇr i n g,２０１１(４):６Ｇ８．[２]㊀李辉,胡姚刚,李洋,等．大功率并网风电机组状态监测与故障诊断研究综述[J ]．电力自动化设备,２０１６,３６(１):６Ｇ１６．L IH u i ,HU Y a o g a n g ,L IY a n g ,e t a l ．O v e r v i e wo f C o n d i t i o n M o n i t o r i n g a n dF a u l tD i a gn o s i s f o rG r i d Ｇc o n n e c t e dH i g h Ｇpo w e rW i n dT u r b i n eU n i t [J ]．E l e c Ｇt r i cP o w e rA u t o m a t i o nE q u i pm e n t ,２０１６,３６(１):６Ｇ５９９２ 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法唐贵基㊀李楠楠㊀王晓龙中国机械工程h tt p://ww w.cm e m o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.１６．[３]㊀苏文胜,王奉涛,张志新,等．E M D 降噪和谱峭度法在滚动轴承早期故障诊断中的应用[J ]．振动与冲击,２０１０,２９(３):１８Ｇ２１．S U W e n s h e n g ,WA N G F e n gt a o ,Z HA N G Z h i x i n ,e ta l ．A p p l i c a t i o no fE M D D e n o i s i n g a n d S p e c t r a l K u r t o s i s i n E a r l y F a u l tD i a g n o s i so f R o l l i n g El e Ｇm e n tB e a r i n gs [J ]．J o u r n a l o fV i b r a t i o na n dS h o c k ,２０１０,２９(３):１８Ｇ２１．[４]㊀何群,郭源耕,王霄,等．基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断[J ]．中国机械工程,２０１７,２８(１３):１５２８Ｇ１５３４．H E Q u n ,G U O Y u a n g e n g ,WA N G X i a o ,e ta l ．G e a r b o x F a u l t D i a gn o s i s B a s e d o n R B ＧS S D a n d M C K D [J ]．C h i n aM e c h a n i c a l E n g i n e e r i n g,２０１７,２８(１３):１５２８Ｇ１５３４．[５]㊀Z H E N GJ ,C H E N GJ ,Y A N G Y．P a r t l y En s e m b l e E m p i r i c a lM o d eD e c o m p o s i t i o n :a n I m p r o v e dN o i s e Ｇa s s i s t e d M e t h o df o rE l i m i n a t i n g M o d e M i x i n g [J ]．S i g n a l P r o c e s s i n g,２０１４,９６:３６２Ｇ３７４．[６]㊀L IH ,L IZ ,MO W．A T i m e V a r y i n g F i l t e rA p Ｇp r o a c h f o rE m p i r i c a lM o d eD e c o m p o s i t i o n [J ]．S i gＧn a l P r o c e s s i n g ,２０１７,１３８:１４６Ｇ１５８．[７]㊀周福成,唐贵基,廖兴华．奇异值分解结合频率切片小波的齿轮故障特征提取[J ]．噪声与振动控制,２０１６,３６(５):１３９Ｇ１４３．Z HO U F u c h e n g ,T A N G G u i j i ,L I A O X i n gh u a ．A M e t h o do fF a u l tC h a r a c t e r i s t i cE x t r a c t i o no fG e a r sB a s e do n S i n g u l a r V a l u e D e c o m po s i t i o n a n d F r e Ｇq u e n c y Sl i c eW a v e l e tT r a n s f o r m [J ]．N o i s ea n d V i Ｇb r a t i o nC o n t r o l ,２０１６,３６(５):１３９Ｇ１４３．[８]㊀B O N I Z Z IP ,K A R E LJ M H ,M E S T E O ,e ta l ．S i n g u l a rS p e c t r u m D e c o m po s i t i o n :a N e w M e t h o d f o r T i m e S e r i e s D e c o m p o s i t i o n [J ]．A d v a n c e si n A d a p t i v eD a t aA n a l ys i s ,２０１４,６(４):１Ｇ３４．[９]㊀王志坚,常雪,王俊元,等．排列熵优化改进变模态分解算法诊断齿轮箱故障[J ]．农业工程学报,２０１８,３４(２３):６７Ｇ７４．WA N GZ h i j i a n ,C HA N GX u e ,WA N GJ u n yu a n ,e t a l ．G e a r b o xF a u l tD i a g n o s i sB a s e do nP e r m u t a t i o n E n t r o p y O p t i m i z e dV a r i a t i o n a lM o d eD e c o m po s i t i o n [J ]．T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o fA gr i c u l Ｇt u r a l E n g i n e e r i n g,２０１８,３４(２３):６７Ｇ７４．[１０]㊀马增强,张俊甲,张安,等．基于VM D ＧS V D 联合降噪和频率切片小波变换的滚动轴承故障特征提取[J ]．振动与冲击,２０１８,３７(１７):２１８Ｇ２２５．MAZ e n g q i a n g ,Z HA N GJ u n j i a ,Z HA N G A n ,e t a l ．F a u l t F e a t u r e E x t r a c t i o n o f R o l l i n g B e a r i n g s B a s e do n VM D ＧS V DJ o i n tD e Ｇn o i s i n g a n d F S WT [J ]．J o u r n a lo f V i b r a t i o na n d S h o c k ,２０１８,３７(１７):２１８Ｇ２２５．[１１]㊀鄢小安,贾民平．基于改进奇异谱分解的形态学解调方法及其在滚动轴承故障诊断中的应用[J ]．机械工程学报,２０１７,５３(７):１０４Ｇ１１２．Y A N X i a o a n ,J I A M i n p i n g ．M o r p h o l o gi c a l D e Ｇm o d u l a t i o n M e t h o d B a s e d o nI m p r o v e d S i n gu l a r S p e c t r u m D e c o m p o s i t i o n a n d I t s A p pl i c a t i o n i n R o l l i n g B e a r i n g F a u l tD i a gn o s i s [J ]．J o u r n a l o fM e Ｇc h a n i c a l E n g i n e e r i n g,２０１７,５３(７):１０４Ｇ１１２．[１２]㊀鄢小安,贾民平．基于奇异谱分解Ｇ形态包络排列熵的滚动轴承故障诊断[C ]ʊ第十二届全国振动理论及应用学术会议．南宁,２０１７:１８７Ｇ１９８．Y A N X i a o a n ,J I A M i n p i n g ．F a u l t D i a gn o s i sf o r R o l l i n g B e a r i n g B a s e do n S i n g u l a rS pe c t r u m D e Ｇc o m p o s i t i o n a n dM o r p h o l o g i c a l E n v e l o peP e r m u t a Ｇt i o nE n t r o p y [C ]ʊN V T A ２０１７．N a n n i n g,２０１７:１８７Ｇ１９８．[１３]㊀R O S T A G H IM ,A Z AM IH．D i s p e r s i o nE n t r o p y:a M e a s u r e f o rT i m e S e r i e sA n a l y s i s [J ]．I E E ES i gn a l P r o c e s s i n g Le t t e r s ,２０１６,２３(５):６１０Ｇ６１４．[１４]㊀P A N GB ,H EY ,T A N GG ,e t a l ．R o l l i n g B e a r i n gF a u l tD i a g n o s i sB a s e d o nO pt i m a lN o t c hF i l t e r a n d E n h a n c e dS i n g u l a r V a l u e D e c o m po s i t i o n [J ]．E n Ｇt r o p y,２０１８,２０(７):４８２．[１５]㊀刘敏,张英堂,李志宁,等．奇异值能量标准谱在机械振动信号降噪中的应用研究[J ]．机械科学与技术,２０１７,３６(１):４６Ｇ５１．L I U M i n ,Z HA N G Y i n g t a n g ,L IZ h i n i n g ,e ta l ．A p p l i c a t i o n o f S i n g u l a r V a l u e E n e r g y St a n d a r d S pe c t r u mi nN o i s eR e d u c t i o no fM e c h a n i c a lV i b r a Ｇt i o nS i g n a l [J ]．M e c h a n i c a l S c i e n c e a n dT e c h n o l o g yf o rA e r o s p a c eE ng i n e e r i n g,２０１７,３６(１):４６Ｇ５１．(编辑㊀胡佳慧)作者简介:唐贵基,男,１９６２年生,教授㊁博士研究生导师.研究方向为机械状态监测及故障诊断㊁机械系统动特性分析.发表论文２２０余篇.E Ｇm a i l :t a n g g j l k＠n c e p u ．e d u ．c n .王晓龙(通信作者),男,１９８９年生,讲师㊁博士.研究方向为风电机组故障诊断及状态监测㊁信号处理.发表论文４０余篇.E Ｇm a i l :w a n gx i a Ｇo l o n g０４５５＠１６３．c o m .６９９２ 中国机械工程第３１卷第２４期２０２０年１２月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.。
基于奇异值分解和支持向量机的故障诊断方法研究
加强员工职业道德修养切实做好职能调整准备
毋晓庆
【期刊名称】《西部金融》
【年(卷),期】2003(000)011
【摘要】@@ 近一段时间,国务院领导同志几次在讲到农发行改革和职能调整问题时,非常明确地指出:"随着粮棉市场化改革,农发行的职能必须进行调整."这既为农发行的改革指明了方向,又明确指出了农发行必须进行职能调整.农发行职能调整要做的准备工作很多,涉及方方面面.我认为,农发行在职能调整还没有完全明确的情况下,加强员工的职业道德修养是做好职能调整准备的切人点和落脚点.
【总页数】2页(P51-52)
【作者】毋晓庆
【作者单位】中国农业发展银行陕西省分行营业部
【正文语种】中文
【中图分类】F8
【相关文献】
1.关于切实做好职业病人员工伤保险工作的通知 [J],
2.提高教师道德修养做好学生“引路人”——加强新时期高校教师职业道德修养的几点思考 [J], 赵琳
3.铁道部：切实做好各项旋工准备加强施工安全管理 [J],
4.提高教师道德修养做好学生“引路人”——加强新时期高校教师职业道德修养的几点思考 [J], 赵琳;
5.加强员工职业规划的建议——农业银行南京城北支行员工职业规划调研报告 [J], 农业银行江苏省分行营业部课题组;李松;宗志凤
因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业的快速发展，机械设备的运行状态监测与故障诊断变得越来越重要。
准确提取机械故障特征是进行故障诊断的关键步骤。
传统的信号处理方法在处理非线性和非平稳信号时存在一定局限性。
为了更有效地提取机械故障特征，本文提出了一种基于经验模态分解（EMD）和随机共振（Stochastic Resonance）的机械故障特征提取方法。
二、经验模态分解（EMD）理论基础EMD是一种自适应的信号时频分析方法，能够将复杂的非线性和非平稳信号分解为有限个本征模态函数（IMF）。
EMD通过多次迭代，将信号中不同频率、不同尺度的模式逐一分解出来，从而实现对信号的时频分析。
三、随机共振理论基础随机共振是一种利用外界随机噪声辅助系统恢复其固有共振特性的方法。
在机械故障诊断中，随机共振可以增强信号中的微弱故障特征，提高信噪比，从而有利于故障特征的提取。
四、基于EMD和随机共振的机械故障特征提取方法本文提出的基于EMD和随机共振的机械故障特征提取方法，首先利用EMD将机械设备的振动信号分解为多个本征模态函数；然后，对每个本征模态函数应用随机共振技术，增强其中的故障特征；最后，通过统计分析和模式识别等方法，提取出机械故障的特征。
五、方法实施步骤1. 对机械设备的振动信号进行EMD分解，得到多个本征模态函数。
2. 对每个本征模态函数应用随机共振技术，增强其中的故障特征。
3. 对增强后的本征模态函数进行统计分析，提取出机械故障的特征。
4. 利用模式识别等方法对提取出的故障特征进行分类和识别，实现故障诊断。
六、实验与分析为了验证本文提出的方法的有效性，我们进行了实验。
实验结果表明，基于EMD和随机共振的机械故障特征提取方法能够有效地提取出机械设备的故障特征，提高信噪比，从而有利于故障诊断。
与传统的信号处理方法相比，该方法在处理非线性和非平稳信号时具有更好的适应性和准确性。
七、结论本文提出了一种基于EMD和随机共振的机械故障特征提取方法，该方法能够有效地提取出机械设备的故障特征，提高信噪比，从而有利于故障诊断。
基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取
基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取孟宗;谷伟明;胡猛;熊景鸣【期刊名称】《计量学报》【年(卷),期】2016(037)004【摘要】针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法.首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性.【总页数】5页(P406-410)【作者】孟宗;谷伟明;胡猛;熊景鸣【作者单位】燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004;燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004;燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004;燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004【正文语种】中文【中图分类】TB936【相关文献】1.基于奇异值分解和共振解调的滚动轴承故障特征提取 [J], 张安;马增强;陈明义;李俊峰2.基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断 [J], 李继猛;李铭;姚希峰;王慧;于青文;王向东3.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 [J], 汤宝平;蒋永华;张详春4.基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法 [J], 王建国;李健;万旭东5.基于奇异值分解与最优Morlet小波的微弱故障特征提取方法研究 [J], 魏军辉;冯昌林因版权原因，仅展示原文概要，查看原文内容请购买。
《基于EMD和随机共振的机械故障特征提取方法研究》范文
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业技术的快速发展，机械设备的复杂性和运行环境的多变性导致了故障的多样性和隐匿性。
机械故障的特征提取对于设备运行状态的监测和维护具有至关重要的作用。
传统的故障诊断方法往往依赖于专业人员的经验和知识，但这种方法受限于人为因素，且在复杂多变的故障模式面前显得捉襟见肘。
因此，研究一种能够自动、准确地提取机械故障特征的方法显得尤为重要。
本文将探讨基于经验模态分解（EMD）和随机共振的机械故障特征提取方法，旨在提高故障诊断的准确性和效率。
二、EMD方法及其在机械故障特征提取中的应用EMD是一种自适应的信号处理方法，能够根据信号本身的时频特性进行分解，提取出信号中的不同模态。
在机械故障特征提取中，EMD可以通过对设备运行信号的分解，将信号中的故障信息分解到不同的模态中，从而便于后续的特征提取和识别。
EMD 方法具有较好的自适应性和鲁棒性，能够有效地处理非线性和非平稳信号。
然而，EMD方法在处理含有噪声的信号时，可能会出现模态混叠等问题，影响故障特征的提取。
因此，需要结合其他方法，如噪声抑制、信号预处理等，以提高EMD在机械故障特征提取中的效果。
三、随机共振在机械故障特征提取中的应用随机共振是一种基于物理原理的信号处理方法，能够通过引入适当的噪声来增强信号中的微弱成分。
在机械故障特征提取中，随机共振可以有效地增强设备运行信号中的故障特征，提高信噪比，从而便于后续的特征提取和识别。
随机共振方法具有较好的抗干扰能力和鲁棒性，能够有效地处理含有噪声的信号。
四、基于EMD和随机共振的机械故障特征提取方法针对机械故障特征提取的复杂性，本文提出了一种基于EMD 和随机共振的机械故障特征提取方法。
该方法首先对设备运行信号进行EMD分解，将信号中的不同模态分离出来。
然后，通过引入适当的随机共振噪声，增强信号中的故障特征。
最后，对处理后的信号进行特征提取和识别，得到设备的运行状态和故障类型。
基于张量Tucker分解的发动机故障诊断
基于张量Tucker分解的发动机故障诊断许小伟;沈琪;严运兵;吴强;张楠【摘要】传统的发动机故障诊断方法通常基于向量模式进行数据特征的提取,可能丢失数据之间的结构信息及破坏数据间相关性.针对此问题,提出了一种张量模式下提取发动机数据特征的方法,构建了"信号类别×曲轴转角×转速"的三阶张量形式的发动机状态样本,基于交替投影的思想,使用 HOSVD-HOOI张量Tucker分解的联立求解算法,对数据特征进行提取.分别以不进行数据特征提取和基于张量Tucker 分解进行数据特征提取两种情况,对发动机正常工作、单缸失火和轴系不对中三种状态下的实验数据进行处理,并分别采用网格参数优化法、遗传算法、粒子群算法对分类模型中的参数进行优化.以预测准确率和模型学习时间为评价指标进行对比分析,实验结果表明,基于张量 Tucker 分解的发动机数据特征提取及诊断方法预测准确率更高,分类模型学习时间更短.%The traditional engine fault diagnosis method based on vector mode to extract data fea-tures was a method which might lose the structure informations of the data and damage the correlation between the data.To solve this problem,the paper presented a method to extract engine data features in tensor mode,and the engine state samples of the three order tensor form of the"signal class× crank angle×rotation rate"were constructed.Based on alternating proj ection theory,the H OSVD-HOOI tensor Tucker decomposition of the simultaneous solution algorithm was used to extract data features.The data were processed without feature extractions and with the method based on the tensor Tucker decomposition respectively,and the experimental data were processed under three kinds of state of normaloperation,single cylinder misfire and shaft misalignment.The parameters of the clas-sification model was optimized by using the grid parameter optimization method,genetic algorithm and particle swarm optimization respectively.Then the prediction accuracy and model learning time were compared and analyzed as evaluating indicator.The experimental results show that the prediction accuracy of engine data feature extraction and diagnosis method based on tensor Tucker decomposition is higher,and the learning time of classification model is shorter.【期刊名称】《中国机械工程》【年(卷),期】2018(029)005【总页数】6页(P552-557)【关键词】发动机;故障诊断;张量模式;Tucker分解【作者】许小伟;沈琪;严运兵;吴强;张楠【作者单位】武汉科技大学汽车与交通工程学院,武汉,430081;纯电动汽车动力系统设计与测试湖北省重点实验室,襄阳,441053;武汉科技大学汽车与交通工程学院,武汉,430081;武汉科技大学汽车与交通工程学院,武汉,430081;纯电动汽车动力系统设计与测试湖北省重点实验室,襄阳,441053;武汉科技大学汽车与交通工程学院,武汉,430081;武汉科技大学汽车与交通工程学院,武汉,430081【正文语种】中文【中图分类】TK4110 引言在传统的发动机故障诊断与预测中，监测的信号往往表现为时域或频域上的一维信号，影响因素只有时间或频率，而实际上发动机故障影响因素较多。
《2024年基于振动信号的机械故障特征提取与诊断研究》范文
《基于振动信号的机械故障特征提取与诊断研究》篇一一、引言随着工业的快速发展，机械设备在生产过程中的作用日益凸显。
然而，机械设备的故障往往会导致生产线的停工，甚至可能引发安全事故。
因此，对机械设备的故障诊断与预测成为了工业领域的重要研究课题。
在众多故障诊断方法中，基于振动信号的故障诊断技术因其非接触、实时、高效的特性而备受关注。
本文旨在研究基于振动信号的机械故障特征提取与诊断方法，为机械设备的故障诊断提供新的思路和方法。
二、振动信号的特征提取1. 信号采集与预处理首先，通过安装在机械设备上的传感器，实时采集设备的振动信号。
由于实际环境中存在各种噪声干扰，因此需要对采集到的振动信号进行预处理，如滤波、去噪等，以提高信号的信噪比。
2. 特征提取特征提取是故障诊断的关键步骤。
通过时域、频域和时频域分析方法，从预处理后的振动信号中提取出反映设备运行状态的特征参数。
例如，可以提取出均值、方差、峰值、频率、功率谱密度等参数。
三、故障特征识别与诊断1. 模式识别方法模式识别方法是基于机器学习、深度学习等人工智能技术，通过训练模型来识别设备的故障类型和程度。
常用的模式识别方法包括支持向量机（SVM）、神经网络、决策树等。
这些方法可以根据提取出的特征参数，对设备运行状态进行分类和识别。
2. 故障诊断方法根据模式识别的结果，可以实现对设备的故障诊断。
常见的故障诊断方法包括基于阈值的诊断方法和基于知识库的诊断方法。
基于阈值的诊断方法是通过设定阈值来判断设备是否出现故障；而基于知识库的诊断方法则是通过比对设备运行状态与知识库中的典型故障模式，来判断设备的故障类型和程度。
四、实验验证与分析为了验证基于振动信号的机械故障特征提取与诊断方法的有效性，我们进行了大量的实验研究。
首先，我们采集了多种机械设备在不同故障状态下的振动信号，然后通过上述的特征提取和模式识别方法，对设备的故障类型和程度进行识别和诊断。
实验结果表明，该方法能够有效地提取出反映设备运行状态的特征参数，并准确地识别和诊断设备的故障类型和程度。
《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业技术的快速发展，机械设备的复杂性和运行环境的多样性使得故障诊断变得日益重要。
机械故障特征提取作为故障诊断的关键环节，其准确性和效率直接影响到故障诊断的可靠性。
近年来，随着信号处理技术的发展，基于经验模态分解（Empirical Mode Decomposition，EMD）和随机共振（Stochastic Resonance，SR）的机械故障特征提取方法逐渐成为研究的热点。
本文将详细研究这两种方法的原理及其实现在机械故障特征提取中的应用。
二、EMD方法在机械故障特征提取中的应用EMD是一种自适应的信号处理方法，能够将复杂的非线性、非平稳信号分解为若干个具有物理意义的固有模态函数（Intrinsic Mode Functions，IMFs）。
在机械故障特征提取中，EMD可以通过对原始信号进行多次迭代，将信号分解为不同频率的IMFs，从而提取出反映故障特性的特征频率。
该方法无需预设任何基函数，具有较强的自适应性和良好的鲁棒性。
三、随机共振在机械故障特征提取中的应用随机共振是一种利用随机噪声辅助信号检测的方法。
在机械故障特征提取中，随机共振通过引入适当的随机噪声，使系统处于非线性共振状态，从而增强信号中的微弱特征。
这种方法能够有效地从强噪声背景中提取出故障特征，提高故障诊断的准确性。
四、基于EMD和随机共振的联合方法在机械故障特征提取中的应用将EMD和随机共振相结合，可以充分发挥两者的优势。
首先，利用EMD对原始信号进行分解，得到不同频率的IMFs。
然后，对每个IMF应用随机共振技术，增强其中的微弱特征。
最后，通过一定的算法将处理后的IMFs进行重构，得到包含故障特征的信息。
这种方法能够在保持原始信号信息完整性的同时，提高故障特征的信噪比，从而提高故障诊断的准确性。
五、实验与结果分析为了验证本文提出的基于EMD和随机共振的机械故障特征提取方法的有效性，我们进行了实验。
改进张量分解算法及在机械故障诊断中的应用
改进张量分解算法及在机械故障诊断中的应用陈向俊;毛晓松;李黎苹;易灿灿【摘要】提出了一种新的基于L(o)wner矩阵的改进张量分解算法.张量作为高维数据的最自然的表示形式,能够最大程度地保留数据的内在结构特性,通过张量分解算法来识别信号中的有效成分并将其储存在低秩的子张量空间中.利用L(o)wner矩阵来实现一维信号向高维张量的表征,并通过L(o)wner矩阵的特性来确定张量分解的秩,接着由迭代的最小二乘法对张量进行分解,最后从分解的子张量中提取有用的信息.为了验证提出方法的有效性,分别通过数值仿真实验和实测的轴承外圈故障信号进行分析,结果提出的方法成功地提取了故障特征信息.【期刊名称】《机械设计与制造》【年(卷),期】2019(000)004【总页数】5页(P47-50,54)【关键词】张量分解;故障诊断;L(o)wner矩阵;迭代的最小二乘法【作者】陈向俊;毛晓松;李黎苹;易灿灿【作者单位】浙江省特种设备检验研究院,浙江杭州 314415;浙江省特种设备检验研究院,浙江杭州 314415;天津理工大学,天津 300384;武汉科技大学,湖北武汉430081【正文语种】中文【中图分类】TH161 引言在工业生产中，对关键机械设备运行健康状态的监测具有重要的意义[1]。
滚动轴承作为旋转机械中承载的关键部件[2]，对其故障的诊断具有重要的应用价值。
实测的机械设备振动信号通常具有非线性非平稳的特征[3]，为了准确的提取出故障特征，很多学者提出了有效的方法。
文献[4]在1978年提出了基于奇异谱分析（Singular SpectralAnalysis，SSA）的信号分析方法，通过奇异值的大小分布将信号分解为有用成分和噪声成分，从而有效地提取信号的特征成分。
但分解结果受噪声的水平影响较大。
文献[5]在1998年提出了经验模式分解算法（EmpiricalMode Decomposition，EMD），将信号中的高频成分和低频成分分解到不同的固有模态函数中，实现了信号的自适应分解。
基于奇异谱分解和两层支持向量机轴承故障诊断方法
基于奇异谱分解和两层支持向量机轴承故障诊断方法汤天宝;周志健;张涛;李可;卢立新【期刊名称】《噪声与振动控制》【年(卷),期】2022(42)1【摘要】为了解决轴承故障诊断数据样本量少,背景噪声干扰大和准确率不高的问题,提出一种基于奇异谱分解(Singular spectral decomposition,SSD)和两层支持向量机(Two-layer support vector machines,TSVM)的轴承故障诊断方法SSD-TSVM。
该方法首先采集信号构建信号矩阵,然后对矩阵进行奇异谱分解,得到奇异谱分量(Singular spectral component,SSC)和残差。
根据改进的峭度准则选取奇异谱分量,进行矩阵重构,完成重构后进行特征提取,生成特征向量矩阵作为TSVM的输入。
在输入层完成降维处理生成新的特征向量矩阵,在输出层进行轴承故障类型分类。
最后分别采用西储大学公开轴承数据集和实验室风机轴承数据集进行验证。
与多种其他故障诊断方法对比表明,SSD-TSVM方法在轴承故障诊断方面具有更高的准确率。
【总页数】6页(P100-105)【作者】汤天宝;周志健;张涛;李可;卢立新【作者单位】江南大学机械工程学院;江南大学江苏省食品先进制造装备技术重点实验室【正文语种】中文【中图分类】TH133.3;TH165.3【相关文献】1.基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法2.基于EMD分解和奇异值差分谱理论的轴承故障诊断方法3.基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法4.基于改进奇异谱分解的形态学解调方法及其在滚动轴承故障诊断中的应用5.优化奇异谱分解方法在轴承故障诊断中的应用因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关键词 ： 张量分解 ； 标准分解 ； 奇异谱 ； 故障诊断； 特征提取 中图分类号 ： Ｔ Ｈ１ ６ 文献标识码 ： Ａ 文章编号 ： １ ０ ０ １ — ３ ９ ９ ７ （ ２ ０ １ ７ ） ０ ７ — ０ ０ ５ ６ — ０ ４
Ｌ Ｉ Ｘｉ ａ ｏ — ｕｉ ｒ ｎ ｇ １ ， ＬＶ Ｙｏ ｎ ｇ ． ＹＩ Ｃａ ｎ — ｃ ａ ｎ ．ＨＵＡＮＧ Ｚｈ ｅ ｎ — ｘ ｉ
（ １ ． Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｍａ ｃ ｈ ｉ ｎ ｅ ｒ ｙ ａ ｎ ｄ Ａｕ ｔ ｏ ｍａ ｔ ｉ ｏ ｎ ，Ｗ ｕ ｈ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ Байду номын сангаас ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｈｕ ｂ ｅ ｉ Ｗｕ ｈ ａ ｎ ４ ３ ０ ０ ８ １ ，Ｃ ｈ ｉ ｎ ａ ；
分 解是 把 秩 为 Ｒ 的张 量 分 解 为 Ｒ 个秩 一 ｌ 的 张量 的和 ， 分 解 出原 始 张量 的 因子矩 阵和 权 重 ， 并 重构 回一 维信 号 进 而 对信
号的时域和频域做 出分析。为 了证明方法的有效性 ， 将 该方法应用 于轴承 故障信号的特征提取 中， 分别运 用 了仿真和 实 测信 号做 了分析 ， 结果表 明该 方法不仅 能有效地抑制噪声， 明显地提取轴承 故障信号特征 ， 而且其效果要优 于传统的奇
机 械 设 计 与 制 造
５ ６ Ｍａ ｃ ｈ ｉ ｎ ｅ ｒ ｙ Ｄｅ ｓ ｉ ｇ ｎ ＆ Ｍａ ｎｕ ｆ ａ ｃ ｔ ｕ ｒ ｅ
第 ７期 ２ ０ １ ７年 ７月
基 于张量奇异谱 分解的机械故 障特征提取 方法研 究
李晓 明 ， 吕 勇 ， 易灿灿 ， 黄震 西 。
２ ． Ｅ ｑ ｕ ｉ ｐ ｍｅ ｎ ｔ Ｍａ ｎ ａ ｇ ｅ ｍｅ ｎ ｔ Ｄ ｅ ｐ ａ ｒ ｔ ｍ ｅ ｎ ｔ ， Ｗｕ ｈ ａ ｎ Ｉ ｒ ｏ ｎ ａ ｎ ｄ Ｓ ｔ ｅ ｅ ｌ Ｃ ｏ ｍｐ ａ ｎ ｙ Ｌ ｉ ｍｉ ｔ ｅ ｄ ， Ｈ ｕ ｂ ｅ ｉ Ｗｕ ｈ ａ ｎ ４ ３ ０ ０ ８ ３ ， Ｃ ｈ ｉ ｎ ａ ）
（ １ ． 武汉科技大学 机械 自动化学院 ， 湖北 武汉 ４ ３ ０ ０ ８ １ ； ２ ． 武钢股份设备管理部 ， 湖北 武汉 ４ ３ ０ ０ ８ ３ ）
摘
要： 提 出了将张量奇异谱分解运用于机械故障诊 断特征提取 ， 张量奇异谱 分解（ Ｔ Ｓ Ｓ Ａ） 是传统奇异谱分解（ Ｓ Ｖ Ｄ） 的扩
展。 由于传统奇异谱分解在处理非平稳、 非线性的信 号效果不理 想， 故 障特征 不明显。 因此将传统的奇异谱分解延伸到三
阶张量分解 中， 从 而将一维的时间序 列转换成 为三阶的张量 ， 然后运 用标准（ Ｐ Ａ Ｒ Ａ Ｆ Ａ ｃ ） 张量分解 ， 标准（ Ｐ ＡＲ Ａ Ｆ Ａ Ｃ ） 张量
ｃ ｏ ｎ ｖ ｅ ｒ ｔ ｅ ｄ ｉ ｎ ｔ ｏ ａ ｔ ｈ ｒ ｅ ｅ ｏ ｒ ｄ ｅ ｒ ｔ ｅ ｎ ｓ ｏ ｒ ， ｔ ｈ ｅ ｆ ａ ｃ ｔ ｏ ｒ ｍａ ｔ ｒ ｉ ｘ ａ ｎ ｄ ｔ ｈ ｅ ｗ ｅ ｉ ｇ ｈ ｔ ｏ ｆ ｔ ｈ ｅ ｏ ｒ ｉ ｇ ｉ ｎ ｌ ａ ｔ ｅ ｎ ｓ ｏ ｒ ｓ ｉ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｓ ｔ ａ ｎ ｄ ｒｄ ａ （ Ｐ Ａ Ｒ Ａ Ｆ Ａ Ｃ ） ｔ ｅ ｎ ｓ ｏ ｒ ． ｈｅ Ｔ ｓ ｔ ｎｄ ａ ｒｄ（ ａ Ｐ Ａ Ｒ Ａ Ｆ Ａ Ｃ ） ｔ ｅ ｎ ｓ ｏ ｒ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｅ ｓ ｔ ｈ ｅ ｒ ａ ｎ ｋ ｆＲ ｏ ｔ ｅ ｎ ｓ ｏ ｒ ｎ ｔ ｏ ｔ ｈ ｅ ｓ ｕ ｍ ｆｒ ｏ ａ ｎ ｋ－ １ ｔ ｅ ｎ ｓ ｏ ｒ ． Ｔ ｈ ｅ ｎ ｗ ｅ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｔ ｈ ｅ ｏ ｌ ｚ ｅ － ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｓ ｉ ｇ ｎ ｌ ａ ａ ｎ ｄ ｎａ ａ ｌ ｙ ｚ ｅ ｉ ｔ ｓ ｔ ｉ ｍ ｅ ａ ｎ ｄ ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｃ ｙ ｄ ｏ ｍａ ｉ ｎ ． ｎ Ｉ ｏ ｒ ｄ ｅ ｒ ｔ Ｏ ｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｖ ａ ｌ ｉ ｄ ｉ ｔ ｙ ｏ ｆｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｍ ｅ ｔ ｈ ｏ ｄ ， ｔ ｈ ｓ ｉ ｍｅ ｔ ｈ ｏ ｄ ｓ ｉ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ ｏ ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｆｂ ｏ ｅ ａ ｒ ｉ ｎ ｇ ｆ ａ ｕ ｈ ｓ ｉ ｇ ｎ ａ １ ． ｈｅ Ｔ ｒ ｅ ｓ ｕ ｌ ｔ Ｓ ｂ ｏ ｗ ｓ ｔ ｈ ｔ ａ
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ Ｉ Ｆ ａ ｕ ｌ ｔ Ｆ ｅ ａ ｔ ｕ ｒ ｅ Ｅｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ Ｍｅ ｔ ｈ ｏ ｄ Ｂａ ｓ ｅ ｄ
ｏ ｎ Ｔ ｅ ｎ ｓ ｏ ｒ Ｓｉ ｎ ｇ ｕ ｌ ａ ｒ Ｓｐ ｅ ｃ ｔ ｒ ｕ ｍ Ｄｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔ ｅ ｎ ｓ ｏ ｒ ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｄ ｅ ｃ ｏ ｍ ｐ ｓｉ ａ ｔ ｉ ｏ ｎ（ Ｔ Ｓ Ｓ Ａ）／ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ Ｏ ｍ ｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ｆ ａ ｕ ｌ ｔ ，叫 ｉ ｓ ｔ ｈ ｅ ｅ ｘ ｔ ｅ ｓｉ ｎ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ（ Ｓ Ｖ Ｄ ） ． Ｔ ｈ ｅ ｔ ｒ ｄｉ ａ ｔ ｉ ｏ ｎ ａ ｌ ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｉ ｓ ｎ ｏ ｔ ｇ ｏ ｏ ｄ ａ ｔ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｔ ｈ ｅ ｎ ｏ ｎ － ｓ ｔ ａ ｔ ｉ ｏ ｎ ａ ｒ ｙ ａ ｎ ｄ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｓ ，ｔ ｈ ｕ ｓ ｔ ｈ ｅ ｆ ａ ｕ ｌ ｔ ｌ 厂 ｅ ｔｕ ａ ｒ ｅ ｓ ｉ ｎ ｏ ｔ ｏ ｂ ｖ ｉ ｏ ｕ ｓ ． Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｏ ｖ ｅ ｒ ｃ ｏ ｍｅ ｔ ｈ ｅ ｗ ｅ ａ ｋ ｎ ｅ ｓ ｓ ，ｓ ｉ ｎ ｇ ｕ ｌ ｒ ａ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｓ ｉ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｔ ｏ ｔ ｈ ｅ ｔ ｈ ｒ ｅ ｅ ｏ ｒ ｄ ｅ ｒ ｔ ｅ ｓｏ ｎ ｒ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ． Ａ ｆ ｔ ｅ ｒ ｔ ｈ ｅ ｏ ｎ ｅ － ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ｌ ａ ｔ ｉ ｍ ｅ ｓ ｅ ｒ ｉ ｅ ｓ ｓ ｉ