【技术实现步骤摘要】
一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
本专利技术涉及机械设备中的故障诊断
，具体涉及一种基于最优维数奇异谱分解的滚动轴承故障诊断方法。
技术介绍
滚动轴承是大多数旋转机械的关键部件，因其承受负载大且节能效果显著而在各种机械中得到了广泛的应用。然而滚动轴承在使用中常处于重载、高速等恶劣工况，将不可避免地出现各种故障，以致影响到整个机械设备的正常工作。因此及时发现滚动轴承的故障，对于保证机械设备的安全稳定运行具有重要意义。此外，由于机械系统在运行过程中瞬态特性的变化，系统的振动响应中将出现非平稳特性(例如时变频率特性)，因此有时无法使用传统的快速傅立叶提取瞬时频率特性。因此，探索一种有效的故障特征提取与滚动轴承故障检测方法是十分必要的。机械系统通常同时受到多种复杂的激励，因此振动信号包含许多复杂的子信号分量。一些代表性的时频分析技术，例如小波变换(WT)和经验模态分解(EMD)可以从原始振动数据中分离出具有不同频带的潜在分量。但是，这些方法对于非平稳信号处理具有一些固有的缺陷。例如，WT在低频具有较高的...
【技术保护点】
1.一种基于最优维数奇异谱分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：/n步骤1：在滚动轴承附近安装加速度传感器，采集振动信号；/n步骤2：使用最优维数奇异谱分解算法对采集到的振动信号进行分解，得到若干个具有明确物理意义的奇异谱分量；/n步骤3，根据峭度准则挑选包含丰富故障特征信息的奇异谱分量作为主成分分量；/n步骤4，计算主成分分量的1.5维频域加权能量谱；/n步骤5，从1.5维频域加权能量谱中观察故障特征频率处是否出现明显的峰值，以此实现滚动轴承故障的准确诊断。/n
【技术特征摘要】
1.一种基于最优维数奇异谱分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1：在滚动轴承附近安装加速度传感器，采集振动信号；
步骤2：使用最优维数奇异谱分解算法对采集到的振动信号进行分解，得到若干个具有明确物理意义的奇异谱分量；
步骤3，根据峭度准则挑选包含丰富故障特征信息的奇异谱分量作为主成分分量；
步骤4，计算主成分分量的1.5维频域加权能量谱；
步骤5，从1.5维频域加权能量谱中观察故障特征频率处是否出现明显的峰值，以此实现滚动轴承故障的准确诊断。
2.根据权利要求1所述的一种基于最优维数奇异谱分解的滚动轴承故障诊断方法，其特征在于：所述步骤2中，使用最优嵌入维数奇异谱分解对振动信号进行分解的具体步骤为：
步骤2.1，自适应确定本次迭代分解输入序列v(j)(n)构建轨迹矩阵时的最优嵌入维数M，其中j为迭代次数；
步骤2.2，对振动信号构建一个新的轨迹矩阵表达式：以序列x(n)＝{1,2,3,4,5}为例，设置嵌入维数M＝3，则对应的矩阵X为
式中，矩阵X中的竖线左半部分对应于奇异谱分解中的新轨迹矩阵；
根据上述的轨迹矩阵构建方式将本次迭代输入序列v(j)(n)构建为一个M×N的轨迹矩阵X，对轨迹矩阵X进行奇异值分解，可得：
其中U∈RP×P且uk∈RP×1是U的第k列向量，V∈RN×N且vk∈RN×1是V的第k列向量,Λ∈RP×N表示奇异值矩阵,δk为它的第k个奇异值；
步骤2.3，在第一次迭代中，如果检测到大趋势项，只使用奇异值矩阵第一个奇异值及其左右特征向量去获取g(1)(n)，即
且g(1)(n)从X1的对角平均中获得；当迭代次数j>1时，分量序g(j)(n)必须具有一个物理意义明确的时间尺度，它的频率成分主要集中在频带[fmax-Δf,fmax+Δf]之间；Δf表示带宽，并且通过对残余分量vj(n)的功率谱密度函数进行高斯插值来获得；根据对左特征向量在频带范围中具有突出主频率的所有特征组和对选取模态分量的主峰能量贡献最大的一个特征组，创建一个子集Ij＝{i1,…,ip}，之后通过矩阵的对角平均重构相应的分量序列g(j)(n)；
步骤2.4，将步骤2.3中获得的分量序列g(j)(n)从原信号中分离出，得到一个残余分量vj+1(n)；计算残余分量和原序列的归一均方差NMSE，如果NMSE小于给定的阈值th，则迭代停止，否则重复步骤2.1-2.3，归一均方差定义为：
在步骤2.1中自适应确定下一次迭代时输入序列v(j)(n)最优嵌入维数的具体步骤为：
步骤2.1.1：在第j次迭代时，根据公式确定一个待选取的嵌入维数M的范...
【专利技术属性】
技术研发人员：贾民平，毛永杰，许飞云，胡建中，黄鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。