基于EMD 的奇异值分解技术在滚动轴承故障诊断中的应用

《基于EMD 的奇异值分解技术在滚动轴承故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、!"!#振动与冲击#$$%年第#&卷!第#&卷第#期FGHIC?JG;K8LI?<8GC?C)E=GMNK21O#&C2O##$$%!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!"基于’()的奇异值分解技术在滚动轴承故障诊断中的应用杨!宇!于德介!程军圣（湖南大学机械与汽车工程学院，长沙&"$$*#）!!摘!要!针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解（’+,-.-/01(234)4/2+,25-6-27，简称’()）和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用

2、’()方法将滚动轴承振动信号分解为多个平稳的内禀分量（876.-75-/(2349:7/6-27，简称8(;）之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的故障特征向量，并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。关键词：’()，滚动轴承，奇异值分解，神经网络中图分类号：<=">>!!文献标识码：?$!引!!言而且更为重要的是它还随着信号本身的变化而变化，因此’()方法是一种自适应的信号分解方法，具有滚动轴承的故障诊断过程

3、实质上就是一个模式很高的信噪比，非常适用于非平稳、非线性过程。本识别的过程，人工神经网络以其非线性模式分类性能文拟采用’()方法对滚动轴承振动信号进行分解，和很强的自组织、自学习能力，在滚动轴承的故障诊得到若干个8(;分量，然后按所包含的频率成分的高［"，#］断中得到了广泛应用。但网络的识别效果依赖于低将这些8(;分量分成若干组，组成若干个初始特征［>］所提取的特征参数的有效性和网络参数的选取。向量矩阵，这些初始特征向量矩阵向量矩阵完整刻画其中，故障特征参数的提取是故障诊断中最重要、最了滚动轴承振动信号的特征，并对这些初始特征向量关键的问题之一。事

4、实上，当滚动轴承产生故障时，矩阵进行奇异值分解，提取初始特征向量矩阵的奇异由于受到刚度非线性、摩擦力、间隙和外载荷等因素值作为故障特征向量，输入神经网络来识别滚动轴承的影响，滚动轴承的振动信号往往会表现出非平稳特的工做状态和故障类型。实验分析结果表明，该方法征，因此，如何从非平稳信号中提取故障特征信息，在可有效地对滚动轴承的工作状态和故障类型进行分［&］滚动轴承的故障诊断中就显得尤为重要。信号处类，从而为滚动轴承故障诊断提供了一种新的方法。理是提取故障特征信息最常用的方法，以快速傅里叶变换（;;<）为核心的传统频谱分析方法在平稳信号处"!’()方法

5、理的特征提取中发挥了重要作用，但对非平稳信号进［%］行分析时其结果失去了物理意义；小波变换能够同’()方法假设任何信号都由不同的内禀模态函时提供信号在时域和频域的局部化信息，但其本质是数（8(;）组成，每个8(;可以是线性的，也可以是非窗口可调的;2:.-4.变换，由于小波基长度有限，因此线性的，8(;分量必须满足下面两个条件：一是其极［@］在对信号进行时频分析时，会产生能量泄漏。值点个数和过零点数相同或最多相差一个，二是其上采用’()方法和奇异值分解技术相结合来提取下包络线关于时间轴局部对称。这样任何一个信号滚动轴承故障特征信息。’()（’+,-

6、.-/01(234)4A就可以分解为有限个8(;之和，而8(;可以按以下方［D］［D］/2+,25-6-27，简称’()）方法是由=:07BC’提出了法“筛选”（E-96）获得：一种新的时频分析方法，该方法基于信号的局部特征（"）确定信号（!"）的所有局部极值点，然后用三次时间尺度，可把信号分解为若干个基本模式分量（87A样条线将所有的局部极大值点连接起来形成上包络线，6.-75-/(234;:7/6-27，简称8(;）之和，分解出的各个用三次样条线将所有的局部极小值点连接起来形成下8(;分量突出了数据的局部特征，对其进行分析可以包络线，这两条包络

7、线包络了所有的信号数据。更准确有效地把握原数据的特征信息。此外，由于每（#）将两条包络线的均值记为!"，求出一个8(;所包含的频率成分不仅仅与采样频率有关，#（""）$（!"）%!"（"）!"国家自然科学基金（编号：%$#D%$%$）和高等学科博士点专项科研基金（编号：#$$#$%>#$#&）资助项目收稿日期：#$$>"$"P!修改稿收到日期：#$$&$""#第一作者!杨!宇!女，博士生，讲师，"PD"年&月生!第"期杨!宇等：基于#$%的奇异值分解技术在滚动轴承故障诊断中的应用!!!&’（’）判断!（&"）是否为($)，若!（&"）不满足($)"

8、!基于#$%和奇异值分解的滚动轴承故障条件，则将!（&"）作为原始数据，重复步骤（&）、（"），诊断方法直到!（&"）满足