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

合集下载

基于互相关奇异值分解的滚动轴承故障诊断

是设备失效的重要原因之一,其运行状态是否正常
通常直接影响整个机器的性能(包括准确性、可靠性
和寿命等).因此,轴承故障诊断算法一直以来都是
机械故障诊断的关键研究技术之一.滚动轴承早期
故障信号往往淹没在强噪声下,因此需要寻找一种
算法对信号进行降噪处理,从而提取出故障特征信
研究
Re
s
e
a
r
c
ha
n
dDe
s
i
n
g
与设计
基于互相关奇异值分解的滚动轴承故障诊断
乔国鼎
(中铁十九局集团第六工程有限公司,江苏无锡２１４０００)
摘要:滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱
故障检测时,特征信号经常被淹没在噪声中.为了提高该故障特征的识别精度,提出了基于互相关奇异值分
的有效性.
关键词:滚动轴承;故障诊断;奇异值分解;互相关
DOI:
１０．
１３２１９/
t．
２０１９．
０６．
００７
j．
g
j
gya
中图分类号:
TN９１１．
６;
TH１３３．
３３文献标识码:
A 文章编号:
１６７２
Ｇ
３９５３(
２０１９)
０６
Ｇ
００２８
Ｇ
００５
滚动轴承是机械设备中最重要的旋转部件,也
解的故障诊断方法.首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标

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，３１００２７）
（２．上海交通大学机械系统与振动国家重点实验室
第３７卷第１期２０１７年２月
振动、测试与诊断
ＪｏｕｒｎａｌｏｆＶｉｂｒａｔｉｏｎ．Ｍｅａｓｕｒｅｍｅｎｔ＆Ｄｉａｇｎｏｓｉｓ
Ｖｏ１．３７ＮＯ．１
Ｆｅｂ．２０１７
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

基于形态滤波优化算法的滚动轴承故障特征提取方法

进行着探索性的研究。杨宇、王欢欢等人提出了一种基于ＬＭＤ的包络谱特征值的滚动轴承故障诊断方法，然后再通过支持向量机分类器，区分了故障类
型和工作状态，很好的验证了其方法的有效性；
纪８０年代初创立的，它又具有非常有效的非线性、
非平稳滤波技术，在故障诊断领域具有良好的应用
前景。近年来，很多学者对上述两种方法正在不断
械振动信号降噪的新方法，也就是数学形态滤波器，得到了很好的滤波效果；李兵等人将自适应多尺度形态梯度变换的方法应用于滚动轴承故障特征的提取之中，具有更强的噪声抑制和脉冲提取能力。但是对于采用ＬＭＤ和形态滤波相结合的方法却鲜见报道。现拟采用一种ＬＭＤ与自适应多结构元素多尺寸差值形态滤波器相结合的方法应用于滚动轴承故障诊断中。先将原始故障信号通过局部均值分解得到若干ＰＦ分量，然后采用峭度准则，选取峭度值最大的ＰＦ分量，再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调，最后将解调结果进行频谱分析，从而有效地提取故障特征。
２０１３年９月２日收到第一作者简介：朱平岗（１９６５一），男，博士，教授，硕士研究生导师，

一种基于参数优化变分模态分解的滚动轴承故障特征提取方法

一种基于参数优化变分模态分解的滚动轴承故障特征提取方法English:A method for extraction of fault features in rolling bearing based on parameter-optimized variational mode decomposition (VMD) is proposed in this study. VMD is a signal processing technique, which decompose a signal into a sum of mode functions. The VMD method is improved by introducing parameter optimization, which aims to find the optimal parameters for VMD in order to better adapt to the characteristics of bearing fault signals. The optimized VMD is then used to decompose the vibration signals collected from rolling bearings, and the fault features are extracted from the intrinsic mode functions (IMFs) generated by VMD. The proposed method is able to effectively extract fault features from bearing vibration signals, and it has the potential to improve the accuracy of fault diagnosis in rolling bearings.中文翻译:本研究提出了一种基于参数优化变分模态分解（VMD）的滚动轴承故障特征提取方法。

轴承振动信号中调幅特征的奇异值分解提取方法

基金项目:国家自然科学基金资助项目(50875086);广州市科技计划资助项目(2008J 1-C101)收稿日期:2010年10月轴承振动信号中调幅特征的奇异值分解提取方法邹春华1,赵学智21广州(从化)亨龙机电制造实业有限公司; 2华南理工大学摘要:滚道损伤会在轴承振动中引起调幅现象,但当损伤较轻微或者噪声干扰较严重时,这种特征难以显现出来。

提出利用奇异值分解(Singular value decomposi tion,SVD)来提取这种调幅特征。

在Hankel 矩阵方式下,SVD 可将信号分解为一系列分量信号的简单线性叠加。

利用这一特性,对轴承振动信号构造Hankel 矩阵并进行S VD 处理,通过选择合适的分量进行简单相加,从一个复杂的信号中准确提取了清晰的调幅特征信息,据此确定了载波和调幅波频率,并结合轴承参数对滚道损伤状况做出了准确的判断,这种特征提取效果远优于带通滤波器的处理结果。

关键词:奇异值分解;轴承振动;滚道损伤;调幅;特征提取中图分类号:TN911.7;TH165.3 文献标志码:AMethod of Singular Value Decomposition for Extraction of AmplitudeModulation Feature of Bearing Vibration SignalZou Chunhua,Zhao XuezhiAbstract:Amplitude modulation will be caused in bearing vibration if roll track is injured,but this modulati on phenomenon is hidden in the raw vibration signal when injury is slight or there is noise interference,and singular value decomposition (SVD)is proposed to extract this modulation feature.By virtue of the Hankel matrix,SVD can decompose a signal into the linear superposi tion of a series of component signals.This characteristic being utilized,for a complicated vibration signal of beari ng ,a Hankel ma trix is created usi ng this signal and is processed by SVD,then the front several component signals are selected to be added togeth er,and the result shows that the clear ampli tude modulation signal is got,frequencies of the carrier and the modulated wave are both precisely ob tained,and the reliable diagnosis conclusion for roll track injury state is also made according to this feature sig nal.This feature extraction effect of SVD is much better than that of band pass filter.Keywords:singular value decomposition;bearin g vibration;injury of roll track;amplitude modulation;feature extraction1 引言滚动轴承是机械设备中最为常见、也是最容易损坏的元件之一。

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用_杨宇

式中 , 当 n 为偶数时 , J = n /2, 当 n 为奇数时 , J = (n + 1) /2。这样 , 通过 EMD 分解 , 滚动轴承振动信号 x ( t) 的特征就可以由初始特征向量矩阵 A 和 B 来刻画 , 对初始特征向量矩阵 A 和 B 进行奇异值分解 , 就可以提取滚动轴承振动信号的特征。本文提出的滚动轴承故障诊断方法流程图如图 3 所示。
n
(3) 式可得到 : x (t) = ∑ ci (t) + rn (t) i =1
(4 )
式中 , rn (t) 为残余函数 , 代表信号的平均趋势。而各 M F 分量 c1 (t), c2 (t)… cn (t) I 分别包含了信号从高到低不同频率段的成分 , 每一频率段所包含的频率成分都是不同的 , 且随信号本身的变化而变化。通常 , EMD 方法分解出来的前几个 I M F 分量集中了原信号中主要的信息 , 从这个角度上讲 , EMD 方法就是一种新的主成分分析方法。图 1 为滚动轴承外圈有缺陷时的时域加速度振动信号。图 2 为其 E M D 分解图 , 共有 22 个 I MF 分量 , 由于篇幅原因 , 此处只给出了前 10 个 I M F 分量。从图中可以看出 , EMD 把信号分解成了若干个 I MF 分量之和 , 不同的 I M F 分量包含了不同的时间尺度 , 可以使信号的特征在不同的分辨率下显示出来。从图 2 中还可以看出 , E M D 分解结果的前几个 I M F 分量包含了原始信号的主要信息。
DO I 牶牨牥牣牨牫牬牰牭牤 j牣 cnki 牣 jvs牣牪牥牥牭牣牥牪牣牥牥牬

基于奇异值分解和支持向量机的滚动轴承故障模式识别

基于奇异值分解和支持向量机的滚动轴承故障模式识别陆爽
【期刊名称】《农业工程学报》
【年(卷),期】2007(23)4
【摘要】提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法.对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键.奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量,而支持向量机可以完成模式识别和非线性回归.利用上述原理根据轴承振动信号的变化特征,采用奇异值分解对其提取状态主特征矢量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态,并且对未知故障有良好的识别能力.与常用的人工神经网络方法相比,该诊断方法具有更好的有效性、鲁棒性和精确性.
【总页数】5页(P115-119)
【作者】陆爽
【作者单位】浙江师范大学交通学院,金华,321019
【正文语种】中文
【中图分类】TH133.3;TP181
【相关文献】
1.基于图像奇异值分解的滚动轴承故障模式识别 [J], 秦海勤;徐可君;隋育松;孟照国
2.基于小波包和支持向量机的滚动轴承故障模式识别 [J], 田野;陆爽
3.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
4.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
5.基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断 [J], 孟宗;刘子涵;吕蒙因版权原因，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

ＹａｎｇＷａｎｇ—ｃａｎ，ＺｈａｎｇＰｅｉ—ｌｉｎ，ＷａｎｇＨｕａｉ—ｇｕａｎｇ，ＣｈｅｎＹａｎ—ｌｏｎｇ
（ＳｅｖｅｎｔｈＤｅｐａｒｔｍｅｎｔ，ＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｉｒｎｇＣｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａ）
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，
ＣＮ４１—１１４８／ＴＨ
轴承２０１３年５期量！二！鱼Ｂｅａｉｒｎｇ２０１３．Ｎｏ．５
４９—５３
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０５０００３）
ｆｏｒｗａｒｄｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｃｅｓｐｅｃｔｒｕｍｏｆｓｉｎｇｕｌａｒｖｌｕａｅａｎｄｉｍｐｒｏｖｅｄｅｎｖｅｌｏｐｅａｎａｌｙｓｉｓ．Ｆｉｒｓｔｌｙ，ｔｈｅｏｒｉｇｉｎａｌｂｅａｉｒｎｇｖｉ — ｂｒａｔｉｏｎｓｉｇｎｌａｉｓｄｅｃｏｍｐｏｓｅｄｉｎｔｏａｓｅｒｉｅｓｏｆｃｏｍｐｏｎｅｎｔｓｉｇｎａｌｓｗｈｉｃｈｉｓａｂｌｅｔｏｂｅａｄｄｅｄｌｉｎｅａｒｌｙｂｙｓｉｎｇｕｌａｒｖｌｕａｅｄｅ－

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)。

第２９卷第４期２１０２年４月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔ￣ｐｉｔｓａｃｆＣｏｕｅｃｏ
Ｖ０．９Ｎｏ４１２．Ａｐ．２１ｒ０２
基于奇异值分解及形态滤波的方滚动轴承故障特征提取法术
ＬｈｏｆｉＣＩＺａ－，ＨＡＩＹｉＩＨｕ — ｎｅ，Ｌａｆｇｅ
（ｏｅｅｏｕｍｔｎｈｎｑｇＵｉｒｔ，Ｃｏｇｉｇ４０４ＣｌｇｌｆＡｔａｉ，Ｃｏｇｉｎｖｓｙｈｎｑｏｏｎｅｉｎ００４，Ｃｉａｈｎ）
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。关键词：奇异值分解；形态滤波；滚动轴承；振动信号；故障特征提取
ｔｓｔｓｌｃｔｅａｃｎｔｃｏｇａｂｏｔｏｎａｒｆｃｎｎｕｒａｅ．ｈｓａｏｌｆｔｏｈｉｆｒｉｅｔｈｙｏｒｏｓｕｔｎｏｓｎｌｙｍｓｐｔｔｌｅｅｔｇｓｇｌｌｓＴｉｗｃｕｄｉｅｓｔｏ・ｃｏｅｗｆｅｒｉｆｉｅｉｌｉｉａｖｕｙｌｒｍｏｎ
ｐｌｅｆｕｔｅｔｒｎｓｇａｎｐｌｄｉｔｕｅｔｒｘｒｃｉｎｏｅｒｎｉｒｔｎｓｇａ．ｓｌｆｅｐｒｎｈｗｕｓａｌｆａｕｅｉｉｎａｄａｐｉｔｏｆｈｆａｕｅｅｔｔｆａｇｉｖｂａｉｉ１Ｒｅｕｔｏｘｅｍｅｔｓｏｌｅａａｏｂｉｎｏｕｓｉｔａｅｐｅｅｔｄｍｅｈｄｃｎｂｓｄｆｒｔｅａｓａｔｎｏｅｗａａｕｅｓｇａａ：ｘｄｉｅｓｏｇｂｃｇｏｎｏｓ，ｈｔｈｒｓｎｅｔｏａｅｕｅｏｂｔｃｉｆｈｅｋｆｔｒｉｎｌｈｔｅｎｔｔｎａｋｒｕｄｎｉｅｔｈｒｏｔｅｔｍｉｈｒ
李兆飞，柴毅，李华锋
（重庆大学自动化学院，庆４０４）重００４
摘
要：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，出一种基于奇异值分解和形态提
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
ｕｅｏｅｒｌｔｎｅｗｅｅｓｎｕａａｕｉｒｂｔｎｏｅｔｅｅａｋｍａｒｆａｔｃｏｎｅｓｎｌｈｒｃｅｉ－ｓｆｔｅａｉｓｂｔｅｎｔｉｇｌｒｌｅｄｓｕｔｍｅｓｒｓｒｃｔｘｏｔａｔｒａｄｔｉａａａｔｒｓｈｏｈｖｔｉｏｆｈｉｉｔｉｒｈｇｅ
中图分类号：Ｐ９．Ｔ３１５文献标志码：Ａ文章编号：１０－６５２１）４１１一４０１３９（ｏ２ｏ—３４ｏ
ｄｉ１．９９ｊｉｎ１０－６５２１．４０１ｏ：０３６／．ｓ．０ｌ３９．０２０．３ｓ
Ｆｕｔｆａｕｅｅｔａｔｎｍｅｈｄｏｏｌｇｂａｉｇａｌｅｔｒｘｒｃｉｔｏｆｒｌｎｅｒｎｏｉｂｓｄｏｉｇｌｒｖｌｅｄｃｍｐｓｉｎａｄｍｏｐｏｏｉａｌｒｎａｅｎｓｎｕａａｕｅｏｏｉｏｎｒｈｌｇｃｌｆｔｉｇｔｉｅ
ｍａｉｎａｄｐ￣ａｏｓｎｔｅｓｇａ，ｎｏｍｐｌｅｉｏａｉｎｗｉｏｓｎｔｅｓｇａ，ｅｏｅａｖｎａｅｏｅｌａｔｎａｉｎｉｅｉｈｉｎｌａｄｇｔｏｌｉｕｓｎｒｔｔｎｉｅｉｈｉｎｔｎｔｋｔｄａｔｇｆｈｅ－ｆｍｏｈｌｈｏｈｔｔｒａｒｈｌｇｃｌｆｔｒｓｕｅｘｒｃｍｐｌａｕｅｉａｌｓｎｌｔｃｐｏｉｏｏｐｃｕｅｅｔａｔｉｕｅｔｔｈｍｏｐｏｏｉａｌｓｗａｓｄｔｅｔｔｉｅｏａｉｕｓｆｔｒｎｆｕｔｉａｏａｔｉｏｐｓｔｎｔｉｋｏｔｔｘｒｃｅｅｇｎｉｈｍ－
ＡｂｔａｔＥｎｉｅｎｈｔｏｇｎｉｅｂｇｇｏｎｎｆｕｅｔｒｎｏｍａｉｎｏｉｒｔｎｓｇａｏｌｇｅｅｎｅｒｎｓｒｃ：ｏｓｄｒｇｔｅｓｎｏｓａｋｕｄｉａｈｆａｕｅｉｆｒｔｏｆｖｂａｉｉｎｌｉｒｌｎｌｍｅｔｂａｉｇ，ｉｒｏｎｉｔｉａｅｒｐｓｄａｒｌｒｂａｉｇｆｕｔｅｔｒｘａｏｔｏａｅｎＳｎｒｈｌｇｃｌｈ￣．ｈｓｈｓｐｐｒｐｏｏｅｏｌｅｒｎａｌｆａｕｅｅｔｎｍｅｈｄｂｓｄｏＶＤａｄｍｏｐｏｏｉａｅＴｉｔｏｄｅｒｉｆｍｅｈｄｍａｅ