基于张量奇异谱分解的机械故障特征提取方法研究

合集下载

相关主题

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)。

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
Ａｂｓｔｒａｃｔ：Ｔｅｎｓｏｒｓｉｎｇｕｌａｒｓｐｅｃｔｒｕｍｄｅｃｏｍｐｓｉａｔｉｏｎ（ＴＳＳＡ）／ｓａｐｐｌｉｅｄｔＯｍｅｃｈａｎｉｃａｌｆａｕｌｔ，叫ｉｓｔｈｅｅｘｔｅｓｉｎｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｓｉｎｇｕｌａｒｓｐｅｃｔｒｕｍｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＳＶＤ）．Ｔｈｅｔｒｄｉａｔｉｏｎａｌｓｉｎｇｕｌａｒｓｐｅｃｔｒｕｍｄｅｃｏｍｐｏｓｉｔｉｏｎｉｓｎｏｔｇｏｏｄａｔｐｒｏｃｅｓｓｔｈｅｎｏｎ－ｓｔａｔｉｏｎａｒｙａｎｄｎｏｎｌｉｎｅａｒｓ，ｔｈｕｓｔｈｅｆａｕｌｔｌ厂ｅｔｕａｒｅｓｉｎｏｔｏｂｖｉｏｕｓ．Ｉｎｏｒｄｅｒｔｏｏｖｅｒｃｏｍｅｔｈｅｗｅａｋｎｅｓｓ，ｓｉｎｇｕｌｒａｓｐｅｃｔｒｕｍｄｅｃｏｍｐｏｓｉｔｉｏｎｓｉｅｘｔｅｎｄｅｄｔｏｔｈｅｔｈｒｅｅｏｒｄｅｒｔｅｓｏｎｒｄｅｃｏｍｐｏｓｉｔｉｏｎ．Ａｆｔｅｒｔｈｅｏｎｅ－ｄｉｍｅｎｓｉｏｎｌａｔｉｍｅｓｅｒｉｅｓｓｉ
（１．武汉科技大学机械自动化学院，湖北武汉４３００８１；２．武钢股份设备管理部，湖北武汉４３００８３）
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（ＴＳＳＡ）是传统奇异谱分解（ＳＶＤ）的扩
ＲｅｓｅａｒｃｈｏｆＭｅｃｈａｎｉｃａＩＦａｕｌｔＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄ
ｏｎＴｅｎｓｏｒＳｉｎｇｕｌａｒＳｐｅｃｔｒｕｍＤｅｃｏｍｐｏｓｉｔｉｏｎ
ｃｏｎｖｅｒｔｅｄｉｎｔｏａｔｈｒｅｅｏｒｄｅｒｔｅｎｓｏｒ，ｔｈｅｆａｃｔｏｒｍａｔｒｉｘａｎｄｔｈｅｗｅｉｇｈｔｏｆｔｈｅｏｒｉｇｉｎｌａｔｅｎｓｏｒｓｉｄｅｃｏｍｐｏｓｅｄｂｙｕｓｉｎｇｓｔａｎｄｒｄａ（ＰＡＲＡＦＡＣ）ｔｅｎｓｏｒ．ｈｅＴｓｔｎｄａｒｄ（ａＰＡＲＡＦＡＣ）ｔｅｎｓｏｒｄｅｃｏｍｐｏｓｉｔｉｏｎｄｅｃｏｍｐｏｓｅｓｔｈｅｒａｎｋｆＲｏｔｅｎｓｏｒｎｔｏｔｈｅｓｕｍｆｒｏａｎｋ－１ｔｅｎｓｏｒ．Ｔｈｅｎｗｅｒｅｃｏｎｓｔｒｕｃｔｔｈｅｏｌｚｅ－ｄｉｍｅｎｓｉｏｎａｌｓｉｇｎｌａａｎｄｎａａｌｙｚｅｉｔｓｔｉｍｅａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎ．ｎＩｏｒｄｅｒｔＯｐｒｏｖｅｔｈｅｖａｌｉｄｉｔｙｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ，ｔｈｓｉｍｅｔｈｏｄｓｉａｐｐｌｉｅｄｔｏｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｆｂｏｅａｒｉｎｇｆａｕｈｓｉｇｎａ１．ｈｅＴｒｅｓｕｌｔＳｂｏｗｓｔｈｔａ
机械设计与制造
５６ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ
第７期２０１７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，源自文库灿灿，黄震西。
２．ＥｑｕｉｐｍｅｎｔＭａｎａｇｅｍｅｎｔＤｅｐａｒｔｍｅｎｔ，ＷｕｈａｎＩｒｏｎａｎｄＳｔｅｅｌＣｏｍｐａｎｙＬｉｍｉｔｅｄ，ＨｕｂｅｉＷｕｈａｎ４３００８３，Ｃｈｉｎａ）
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（ＰＡＲＡＦＡｃ）张量分解，标准（ＰＡＲＡＦＡＣ）张量
ＬＩＸｉａｏ — ｕｉｒｎｇ１，ＬＶＹｏｎｇ．ＹＩＣａｎ — ｃａｎ．ＨＵＡＮＧＺｈｅｎ — ｘｉ
（１．ＣｏｌｌｅｇｅｏｆＭａｃｈｉｎｅｒｙａｎｄＡｕｔｏｍａｔｉｏｎ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨｕｂｅｉＷｕｈａｎ４３００８１，Ｃｈｉｎａ；
异谱分解方法，具有一定的工程实践价值。
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：ＴＨ１６文献标识码：Ａ文章编号：１００１ — ３９９７（２０１７）０７ — ００５６ — ０４