基于奇异谱降噪理论的滚动轴承故障诊断研究
基于谱峭度法的滚动轴承故障诊断研究

基于谱峭度法的滚动轴承故障诊断研究滚动轴承故障诊断是重要的机械维修技术之一。
随着工业智能化的快速发展,滚动轴承故障诊断技术也在不断革新和完善。
其中,基于谱峭度法的滚动轴承故障诊断技术已经成为了比较成熟和有效的方法之一。
谱峭度法是一种通过计算信号谱的高阶导数来表征信号特征的方法,它可以很好地反映信号的非线性与不规则性。
在滚动轴承故障诊断中,我们可以将该方法应用于振动信号的分析和处理。
通过对滚动轴承振动信号的谱峭度分析,可以提取出故障特征频率,进而实现滚动轴承故障的判断和诊断。
基于谱峭度法的滚动轴承故障诊断研究需要关注以下几个方面:1.信号的处理。
滚动轴承在正常运行时,其振动信号通常包含大量的噪声成分。
因此,首先需要通过滤波等方法对信号进行去噪处理,以便提高信噪比。
其次,需要计算出信号的功率谱密度,并进行归一化处理,以便提高故障特征频率的识别率。
2.特征频率的提取。
在滚动轴承的振动信号中,存在许多频率成分,其中包含了很多与故障无关的噪声,因此需要通过谱峭度分析来确定关键的故障特征频率。
通过对谱峭度图像的分析,可以确定故障特征频率,并将其与滚动轴承的结构特性相对照,以诊断出滚动轴承的故障类型和位置。
3.诊断结果的验证。
最后,需要对诊断结果进行验证。
可以通过实验观测和模拟计算等方法,比较实验和预测结果,以确定故障诊断的准确性和可靠性。
总之,基于谱峭度法的滚动轴承故障诊断技术已经在实际工程应用中取得了良好的效果。
未来,这一技术将进一步完善和改进,同时也将面临着更加复杂多变的工业环境和需求。
因此,需要不断地深入研究和探讨,才能更好地推进滚动轴承故障诊断技术的发展。
基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

H0U Yi — mi n . S UN J i a — b i n g , Z HANG Yu
( 1 . S c h o o l o f A u t o ma t i o n E n g i n e e r i n g , N o r t h e a s t D i a n l i U n i v e r s i t y , J i l i n 1 3 2 0 1 2 , C h i n a ;
Fa ul t Di a g no s i s o f Ro l l i ng Be a r i ng Ba s e d o n Wa v e l e t Pa c ke t De -
n o i s i n g a n d Hi l b e r t S p e c t r u m S i n g u l a r Va l u e De c o mp o s i t i o n
要: H i l b e r t 谱 奇异值是对振 动信 号进行H i l b e r t — H u a n g  ̄换得到H i l b e r t 谱 时频矩 阵后 , 再利用奇异值分解 的方
法提取矩阵 的特征得到的 , 但对噪声 比较敏感。 为 了消除随机噪声和局部 强干扰对特征提取 的影响 。 先利用小 波
41
基于小 波 包降噪和Hi l b e r t 谱 奇异值 的 滚动 轴承 故 障诊 断
侯一 民 , 孙 嘉兵 , 张 宇z
( 1 . 东北电力大学 自 动化工程学院. 吉林 吉林 1 3 2 0 1 2 :
2 . 大唐珲 春 热 电厂 , 吉林 珲春
摘
1 3 3 3 0 0 )
包 降噪 , 得到振 动信 号的谱奇异值作为故障特征 , 并选用S V M来诊断故障类型。试验结果表 明, 该方法能有效地 应用 于滚动轴承 故障的识别 。 关键词 : 滚动轴承 ; 小 波包 降噪; Hi l b e r t 谱; 奇异值分 解; 支持 向量机
滚动轴承振动信号降噪及故障识别研究

滚动轴承振动信号降噪及故障识别研究滚动轴承振动信号降噪及故障识别研究随着现代工业的发展,滚动轴承作为一种常见的机械零件,在各种机械设备中广泛应用。
然而,由于长时间运转和不良工作环境的影响,滚动轴承往往容易出现故障,导致设备停机和生产线中断,给生产和产品质量带来严重影响。
因此,滚动轴承的及时故障诊断和预测成为了非常重要的研究领域。
振动信号分析是滚动轴承故障诊断的一种常用方法。
通过对滚动轴承振动信号进行采集和分析,可以判断轴承的工作状态和是否存在故障。
然而,由于机械系统本身的振动和其他干扰因素的存在,滚动轴承的振动信号往往呈现出多种噪声,并且这些噪声会对故障诊断的准确性造成不利影响。
为了降低滚动轴承振动信号的噪声,目前研究人员提出了各种降噪算法和方法。
其中,基于小波变换的降噪方法是较为常用的一种。
小波变换具有良好的时频局部性特性,可以有效地分析信号的不同频段和时间段特征。
通过对滚动轴承振动信号进行小波变换,可以将信号变换为时频图像,同时抑制不同尺度的噪声成分。
然后,利用小波域的低频系数重构信号,实现降噪效果。
此外,自适应滤波器也是一种常用的降噪方法。
自适应滤波器根据信号的特点自动调整滤波参数,以提取信号中的有用信息并抑制噪声。
通过对滚动轴承振动信号进行自适应滤波,可以降低噪声干扰,提高故障特征的提取效果。
同时,还可以根据自适应滤波器的输出结果,判断滚动轴承的工作状态和是否存在故障。
在滚动轴承振动信号降噪的基础上,故障识别是另一个重要的研究方向。
通过对滚动轴承振动信号中的特征参数进行提取和分析,可以识别轴承的不同故障类型,如滚珠损伤、内圈损伤、外圈损伤等。
常用的故障特征参数包括峭度、峰值因子、包络频谱等。
通过对这些特征参数的计算和比较,可以判断滚动轴承的工作状态和是否存在故障。
此外,还可以借助机器学习算法来实现滚动轴承故障识别。
将滚动轴承振动信号的特征参数作为输入,利用机器学习算法训练模型,可以实现对滚动轴承故障的自动识别。
基于FSWT与谱峭度的滚动轴承故障诊断系统

基于FSWT与谱峭度的滚动轴承故障诊断系统一、软件研究背景滚动轴承是机械设备中最常用的通用零部件,在机械设备中起着承受并传递负荷的作用,也是机械设备中最易受损的零部件之一。
轴承的任何部位出现微小故障,都会影响整个设备的运行甚至导致设备停止运转。
因此对滚动轴承故障的快速、有效诊断和预知维修将大大提高设备的运行可靠性。
滚动轴承故障检测的方法有很多,有基于短时傅里叶变换的谱峭度算法、快速谱峭度算法等。
谱峭度方法为合理选择滚动轴承振动信号包络解调的频率中心和带宽提供了可能。
然而,当面对瞬时突变的非平稳信号时,包络信号的峭度值很大程度上依赖于频率分辨率。
若采用短时傅里叶变换计算谱峭度,需提前设置窗函数的带宽及中心频率,窗函数过大或过小都会影响峭度值的计算和频率分辨率。
快速谱峭度算法,由于其信噪比低,信号包含成分较多,只能提供一个较大的带宽,而得不到精确的中心频率。
鉴于此,本文提出一种基于频率切片小波变换和谱峭度的综合算法。
首先对轴承端的振动信号时频分析,采用FFT、包络谱、频率切片小波变换对其频域性能进行分析,再求其峭度谱与对应包络谱,结合其时域、频域性能,综合分析轴承故障。
具体实现过程如下:(1)用数学描述对机器的振动信号进行模拟,所构造的模拟信号要能够反映设备运行时的振动信号。
(2)对模拟的时域信号进行傅里叶变换,实现信号从时域到频域的转换。
利MATLAB 求出其fft频谱图,观察信号时域和频域的波形。
(3)选取频率切片小波函数,根据已选取的切片函数,算出相应的幅值期望响应比率和时频分辨系数,对信号进行FSWT变换,并用软件对其算法仿真,得到信号的时频分布图。
(4)采用FSWT逆变换对信号进行重构,得到的重构信号与原信号几乎完全吻合,保证了FSWT这一算法的严谨性。
(5)选择带宽BW=3倍的特征频率,对信号的时频分布进行分段,对每段的时频信号求峭度,再将这些峭度值在图中表示出来。
(6)根据峭度图确定最大峭度值所对应的频率段,取出这一频率段对应信号的时频分布,求出包络谱进行细化分析,即可实现对故障信号的分离和提取。
基于CEEMDAN降噪与双谱分析的滚动轴承故障诊断

收稿日期:2021-06-15基金项目:航空动力基础研究项目资助作者简介:边杰(1985),男,硕士,高级工程师。
引用格式:边杰,陈亚农,郑锦妮,等.基于CEEMDAN 降噪与双谱分析的轴承故障诊断[J].航空发动机,2023,49(6):47-53.BIAN Jie ,CHEN Ya⁃航空发动机Aeroengine基于CEEMDAN 降噪与双谱分析的滚动轴承故障诊断边杰1,2,陈亚农1,2,郑锦妮1,徐友良1,2,刘飞春1(1.中国航发湖南动力机械研究所,2.中国航空发动机集团航空发动机振动技术重点实验室:湖南株洲412002)摘要:滚动轴承早期故障信号中的噪声成分会影响到故障特征的提取。
为了提高含噪故障信号中滚动轴承早期故障特征提取的准确性,将基于自适应噪声的完备经验模态分解(CEEMDAN )用于滚动轴承振动信号的降噪中,并对降噪后的轴承故障信号进行双谱分析。
结果表明:CEEMDAN 可有效去除轴承振动信号中的低频噪声干扰,经CEEMDAN 降噪后的不同轴承故障信号的双谱全局图存在明显差异,根据这些差异可在宏观上对不同轴承故障加以区分;通过经CEEMDAN 降噪后的不同轴承故障信号的双谱细节图可以正确提取不同轴承故障的特征频率,从而实现对各轴承故障的有效诊断。
CEEMDAN 降噪结合双谱分析可为滚动轴承故障诊断提供一种新的有效方法。
关键词:基于自适应噪声的完备经验模态分解;降噪;故障诊断;滚动轴承;双谱中图分类号:V216.2+1,V233.4+5,V263.6文献标识码:Adoi :10.13477/ki.aeroengine.2023.06.008Rolling Bearing Fault Diagnosis Based on CEEMDAN De-noising and Bispectral AnalysisBIAN Jie 1,2,CHEN Ya-nong 1,2,ZHENG Jin-ni 1,XU You-liang 1,2,LIU Fei-chun 1(1.AECC Hunan Aviation Powerplant Research Institute ,Hunan Zhuzhou 412002,China ;2.AECC Key Laboratory of Aero-engine Vibration Technology ,Hunan Zhuzhou 412002,China )Abstract :The noise components in the early fault signals of rolling bearings can affect the extraction of fault features.To improve the accuracy of early fault feature extraction in noisy fault signals of rolling bearings,a complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN)was applied to denoise rolling bearing vibration signals,and bispectral analysis was performed on the denoisedbearing fault signals.The results show that CEEMDAN can effectively remove the low-frequency noise interference in bearing vibration sig⁃nals.After being denoised by CEEMDAN,there are significant differences in the bispectral global maps of different bearing fault signals.These differences can be used to distinguish different bearing faults on a macro level.By using the bispectral detail maps of different bear⁃ing fault signals denoised by CEEMDAN,the feature frequencies of different bearing faults can be accurately extracted,thus achieving an effective diagnosis of each bearing fault.CEEMDAN denoising combined with bispectral analysis can provide a new and effective method for fault diagnosis of rolling bearings.Key words :complete ensemble empirical mode decomposition with adaptive noise;denoise;fault diagnosis;rolling bearing;bispectrum第49卷第6期2023年12月Vol.49No.6Dec.20230引言滚动轴承故障是机械设备中常见的故障形式,振动信号分析诊断技术是最常用的轴承故障监测与诊断方法。
基于SVD降噪和谱峭度的滚动轴承故障诊断

CN4l一 11 48 /TH
Be a in r g 2 01 3, No .1 0
Байду номын сангаас
轴承
2 0 1 3 年1 0 期
5 2 —55
基于 S V D降噪和谱峭度的滚动轴承故障诊断
孟智慧 , 王 昌
( 内蒙古科技大学 机械 工程学院, 内蒙古 包头 0 1 4 0 1 0 )
 ̄e qu e n c y a r e s e l e c t e d b y k u r t o s i s d i a g r a m o f s pe c t r a l k ur t o s i s,a n d t h e ba nd —pa s s il f t e r i s a b l e t o be d o n e or f s i g n a l
b e a in r g s s h o ws t h a t t h e f a u l t f e a t u r e ̄e q u e n c y i s a b l e t o b e e f f e c t i v e l y e x t r a c t e d a n d t h e f a u l t d i a g n o s i s i s r e a l i z e d . Ke y wo r d s :r o l l i n g b e a r i n g ;f a u l t d i a g n o s i s ;S VD;Ha n k e l ma t i r x;d i f f e r e n c e s p e c t u m ;s r p e c t r l a k u r t o s i s
Me n g Zh i—h ui , Wa ng Ch a n g
基于EEMD奇异值熵的滚动轴承故障诊断方法

1) 在奇异值理论中,任何阶矩阵A的奇异值分 解为
A =UAVt
(1)
其中:U和#分别是阶和阶正交阵;A = diag%1 5,
…2”)是对角阵,其对角元素为A的奇异值,并按降 序排列。
2) 对式(1)的中奇异值序列进行平方处理,可 得到石,卅,…2”。每个分量进行归一化处理,即
E,=吕($ = 1,2,…,”)
不当所造成的误差曰。奇异值熵在机械信号信息成 分分析、信息量评估等多方面有其独特的性能。 此判据利用延时嵌陷技术对时间序列进行相空间重 构,由于没有成熟的理论确定嵌入维数和延时常数, 因而限制了奇异值熵在机械故障诊断中的应用 文献[8]提出了一种基于EMD和奇异值熵的转子 系统故障诊断方法,并在实验中证明了该方法的有 效性。但当EMD对多模态混合的复杂信号进行分 解时,容易造成IMF分量模态混叠,导致分解精度 不高,致使部分IMF分量的奇异值熵不能正确地描 述其工作状态,尚存在滚动轴承故障类型辨识精度 不够高的问题有待解决。
关键词 滚动轴承;集合经验模态分解;奇异值熵;故障诊断 中图分类号 TH165 + .3;TH133.3
引言
滚动轴承是旋转机械中应用广泛但极易损坏的 部件之一,在轴承早期失效阶段能够有效地提取出 故障特征,这对于避免发生严重事故、减少经济损失 意义重大。然而在实际工程应用中,复杂的振动传 输路径及严重的环境噪声干扰等因素,使得轴承早 期故障识别相对来说一直都比较困难。因此如何有 效地利用滚动轴承的振动信号,从中提取出能够反 映故障状态的特征量,对滚动轴承故障诊断技术的 发展具有重要意义与价值「T。
第39卷第2期 2019年4月
振动、测试与诊断
Journal of Vibration, Measurement 7 Diagnosis
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 -
- 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)。
3.在滚动轴承故障诊断中的应用
从上面的分析我们知道,基于奇异谱的降噪方法有两个关键步骤,即相空问维数的选择和最大奇异值 个数的选取。如果选取不当,我们就很难得到好的降噪效果。针对此问题,我们在分析滚动辅承故障时, 州奇异谱降噪法对信号进行预处理,然后用小波变换【4】的方法来进行故障诊断。进行实验之前,我们先来 看看滚动轴承故障特性。
荚键词 故障诊断:奇异谱;降噪:小波分析
中图分类号THl65 3
奇异谱分析技术是非线性动力学发展的结晶,其在地震预报、气象研究方面己有一些应用成果,但用 来解决故障诊断和预测领域中的问题还是近儿年来的事。本文试图对该方法的应用作进一步讨论,通过数 值方法研究它降噪特点及降噪机理,并结合具有可调窗口的时频局部分析能力的小波变换,探讨将该方法 与小波分析共同应用在滚动轴承故障诊断中的效果。
间重构的办法进行逆变换,得到(“,,…,Um—1)。将每个变换得到的(“,,…,U,一I)对应相加平均,则可以
得到降噪后的信号y(f)’。如果得到的信号还含有较大的噪声,可以重复前面的过程。一般只要3至5次即
可得到较为理想的时域波形。
这种信号降噪的方法的关键是相空间维数的选择与最大奇异值个数的选取。在做信号的分析处理时, 可进行多次分析比较,直到分析结果满意为Jr。
基于奇异谱降噪理论的滚动轴承故障诊断研究
作者: 作者单位:
任国全, 李季, 张培林 石家庄军械工程学院火炮工程系
本文链接:/Conference_4206485.aspx
说,噪声已人人被压缩。再将D。进行逆变换求出·个新的时序y(∥,i=1,…,N。利用求得的新的时序
再次进行处理,则可大大提高信噪比,降低噪声的影响,突出原动力学系统的信息特征”1。
2.基于奇异谱的降噪算法 2.1基于奇异谱的降噪算法主要由以下几个环节构成:
2.1.1相空间重构 假设系统的行为是相空间上的有限维吸引子,由相空间的定义可知,系统的状态是由相空间中的点唯
n.§,盖§19苫
图4小波分解第一层重构信号包络细化频谱
4.结论 在对机械发备进行故障诊断时,测取的信号往往含有较强的背景噪声,且系统信号与噪声信号在频带上
互相混叠,难于利JI;fj传统的滤波方法进行降噪。针对此问题,我们提出了基于奇异谱的降噪方法,并将该方 法与小波分析理论成功地结合用于滚动轴承的故障诊断中,应用结果表明结合后的方法能够有效地突出故 障特征,可大大提高故障诊断的准确性。
基于奇异谱降噪理论的滚动轴承故障诊断研究
任国全李季张培林
(石家庄军械丁程学院火炮工程系050003)
Emaih££!gg幽gg亟!!盟:£Q地
摘要 提出一种基于奇异谱理论的降噪方法,并在分析滚动轴承故障特性的同时,将奇异谱理论的降噪方法与小波分 析理论结合应用于滚动轴承故障诊断中。实验表明,这种结合后的新方法能够更有效地降低噪声,突出振动信号的故障特征, 从而提高设备故障诊断的准确率,
断裂、胶合、保持架损坏等。为了不失。‘般性,以单列向心滚珠轴承最常见的故障——元件工作表面出现
疲劳剥落、压痕或局部腐蚀为研究对象。假设滚动轴承的外环周定在轴承鹰上,只有内环随轴一起以频率
f旋转。同时作出F列假设:滚道与滚动体之间无滑动:径向、轴向受载荷时各部分元件无变形,并认为
滚动体与滚道之问为纯滚动,则各故障特征频率为(仅列出外圈和内圈故障特征频率):
rolling bearings after combining with wavelet analysis.The application shows this new way call reduce the noise
effectively,and enhance the fault characteristic included in the original vibration signal,consequently,improving
(1)外圈剥落(…。点):
^。。=;正6一%c…)
(4)
(2)内圈剥落(一点):
‰。=吾正0+%c咄) .
(5)
式中,z为轴承滚动体个数,工为轴纳转频,d为滚动体直径,D为轴承的节经,“为接触角。由
此可见,轴承元件的故障特征频率与故障具体部位、滚动轴承零什儿何尺寸、轴承工作转速等因素有关。 在齿轮箱台架上进行实验,滚动轴承型号为2317H。根据实验用轴承结构尺寸参数,代入式(4)、(5),
图4为对经过奇异谱降噪后的信号进行小波分解的第…层作Hilbert包络151并进行谱分析的结果。从功 率谱信号的分析中可知故障发生在146Hz处.通过对照轴承故障特征频率表可知.此故障为轴承外圈发生 故障,此特征频率为145.9Hz。
V-DMNS’2002-0l-02
兰坚!望整型墅生尘型坠—叁奎乙幽塑兰查兰!三堡墨皇望兰查垒竺垒窭苎韭塞::!氅:!!:!!:!!
‘确定的,如果x.是吸引子上描述f时刻系统状态的点,y(i)是第f时刻观测到的值,则y(f)。h(x,),利 川y(n构造·个映射将相空问的未知吸引子A映射到重构空间R”。即映射F:4一R”,
F:。rf;!-c::,支6cx一·r;!,:一,6苌葛一,,7
cs,
=(yO),y(f+1),·一,y(f+n—1))。
这里n为相空问的维数。式(3)又称为吸引子的重构公式。
利用信号在R”空问用n维嵌入(y(f),y(i+1),…,y(i+”一1))重构吸引子。然后对这个n维重构吸 引子利川原动力系统的奇异谱特性进行处理,可达到对信号进行降噪处理的目的。
2.1.2奇异值分解
信号经过相空间重构后,可用矩阵P(v,)表示,其行向景是v,。对矩阵P(v,)应用奇异值分解可得到肘 个奇异值,选取K个最大奇异值(K<M),其他奇异值置为0.进行反计算得到P(v,)’,将P(v,)’按相空
V-DMNS’2002.01-02
2002年全国振动(诊断、模态、噪声与结构动力学)工程及应用学术会议论文集 北京,2002 1016-19
由于滚动轴承的材料缺陷。加T或装配不当,润滑不良,水分和异物侵入,腐蚀以及过载等原困都可 能导致滚动轴承早期损环。概括起来,滚动轴承f~土要故障形式有:疲劳剥落、磨损、塑性变形、腐蚀、
个m×n维矩阵(m>n)
y(1) _y(2)
y(历)
y(2) y(3)
y(m+n
D。=
(2)
y(n)y(n+1)
y(n+m)
m×”维矩阵D。表征了重构吸引子在重构相空间的演化特性,可表示成D。=D+矿,其中D是不受 噪声T扰的时序构成的m×n维矩阵,W是由噪声构成的m×n维矩阵。如果原振动信号中没有噪声或信
噪比特别商,轨道矩阵D。是奇异的。对轨道矩阵D。进行奇异值分解可以得到女个不增序排列的奇异值^
;!!i兰全曼塑茎!兰堑:堡查:墨兰兰竺垫垫查兰:三堡垦皇墨兰苎叁型望奎翌羔——苎苎二三竺墨坚生竺竺———————一
≥见,≥…≥五。>o,丑的数日k(k<n)和系统有关。记盯,=log(2.i/∑五』),则称盯l,O"2,…,O"k为 。 7=1
得到各特征频率如表1所示。
表1滚动轴承பைடு நூலகம்故障特征频率
在滚动轴承外圈加工宽为O.1mm,深为lmm的小槽模拟轴承外圈局部裂纹和断裂故障。图1为该实 验中滚动轴承外罔故障时测得的信号时域波形。
圈I 轴承外圈故障时信号时城波形
:!!:兰全里塑翌!竺堑:茎查:兰兰皇苎垫型盎兰2三堡垒生望堂查垒茎堂2兰L—二竖曼二_三竺墨坚生竺坚L————一
A=UAV 7
(1)
式中A是’个,×f维对角阵.即A=diag(旯lI..,^),其主对角线的元素都是非负的,并按下列顺序 排列:五l≥旯2≥…≥丑>o。^,五2,…,^称为矩阵A的奇异值,称式(1)为矩阵A的奇异值分解公
式川。
假设我们从一’个系统测得含有噪声的时序为y(0,f=l,…,N。用测得的时序可以按下面方法构成一
图2轴承外圈故障信号经过奇异谱降噪后的信号
对该降噪后的信号进行正交小波变换,得到小波变换系数如图3所示:
第一层高频系数
土L.L.。止 L止J』_。。L.JI k。.“ ’ ‘rl”1 r叮叮…’r.rr”T1r .
第二层高频系数
第三层{氐频系数 田3滚动轴承外圈故障信号的小波系数重构
在上图中,横坐标513~1024对应的信号为小波系数d。,横坐标257~512对应的信号为小波系数d 2, 横坐标129~256对应的信号为小波系数d’,依次类推。
1.奇异谱理论与奇异值分解
奇异值分解在数学上主要用于求解线性方程组,方程组的特征矩阵不仅表征解的特征,还常常表征方 科组所描述系统的动态特征信息:奇异值摄动理论解决了一个奇异矩阵有摄动的情况下,其广义矩阵的稳 定性问题。
设』4是一个m×n维实矩阵,则分别存在一1个m×,维的矩阵U和一个n×f维的矩阵y,使得
the level offault diagnosis ofrolling bearing.
Key words:fault diagnosis;singular spectrum;noise reduction;wavelet analysis
附录:
笫一作者:任圉仝,男.博士研究生.1974年8月生。电话:(03lI)7994564
The Theory of Singular Spectrum and its Application in the Fault Diagnosis of Rolling Bearings
Ren Guo quan Li Ji Zhang Peilin
(Ordnance Engineering College,ShiJiaZhuang,050003) Abstract:Anoise reductionmethod based onthe characteristic ofsingular spectrumin a signalis describedinthis paper To analyze the fault characteristic of rolling bearing,at one time it's application in the fault diagnosis of