本文選題：總體經(jīng)驗(yàn)?zāi)B(tài)分解　切入點(diǎn)：奇異值分解　出處：《機(jī)床與液壓》2017年09期 　論文類型：期刊論文

【摘要】：針對(duì)滾動(dòng)軸承振動(dòng)信號(hào)復(fù)雜且難以從中提取有效故障特征的問(wèn)題,提出了一種總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)、奇異值分解(SVD)和局部保持投影(LPP)相結(jié)合的故障特征提取方法。首先,對(duì)振動(dòng)信號(hào)進(jìn)行EEMD分解,利用EEMD分解后的固有模態(tài)分量(IMF)分別構(gòu)造時(shí)域、頻域和時(shí)頻域空間狀態(tài)矩陣;其次,利用SVD提煉時(shí)域、頻域和時(shí)頻域空間狀態(tài)矩陣中的故障信息,篩選其中累加百分比大于90%的奇異值組成多域有效奇異值數(shù)組,構(gòu)造多域奇異值特征矩陣;然后,利用LPP約簡(jiǎn)多域奇異值特征矩陣,提取低維、高區(qū)分度的故障特征;最后,利用支持向量機(jī)(SVM)對(duì)提出的故障特征提取方法進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果證明了該方法提取的故障特征可有效反映滾動(dòng)軸承的故障狀態(tài)。
[Abstract]:In view of the complex vibration signals of rolling bearings and the difficulty of extracting effective fault features from them, a fault feature extraction method is proposed, which combines the total empirical mode decomposition (EEMD), singular value decomposition (SVD) and local preserving projection (LPP). The vibration signal is decomposed by EEMD, and the time-domain, frequency-domain and time-frequency-domain state matrices are constructed by using the inherent modal components after EEMD decomposition. Secondly, the fault information in time-domain, frequency-domain and time-frequency spatial state matrix is extracted by SVD. The singular values with a cumulative percentage of more than 90% are selected to form a multi-domain effective singular value array, and the multi-domain singular value characteristic matrix is constructed. Then, the low-dimensional and high-resolution fault features are extracted by using the LPP reduction multi-domain singular value feature matrix. The proposed fault feature extraction method is evaluated by support vector machine (SVM), and the experimental results show that the proposed method can effectively reflect the fault state of rolling bearing.
【作者單位】： 青島理工大學(xué)機(jī)械工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51075220) 高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20123721110001) 青島市科技計(jì)劃基礎(chǔ)研究資助項(xiàng)目(12-1-4-4-(3)-JCH)
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 王志武;孫虎兒;劉維雄;;基于局部均值分解和奇異值差分譜的滾動(dòng)軸承故障診斷研究[J];機(jī)械科學(xué)與技術(shù);2014年09期

2 于德介;陳淼峰;程軍圣;楊宇;;基于EMD的奇異值熵在轉(zhuǎn)子系統(tǒng)故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2006年02期

3 姚春江;毋文峰;陳小虎;蘇勛家;;基于源信號(hào)包絡(luò)矩陣奇異值的機(jī)械故障診斷方法[J];機(jī)床與液壓;2014年13期

4 張營(yíng);左洪福;佟佩聲;陳志雄;白芳;;基于譜插值和奇異值差分譜的滾動(dòng)軸承靜電監(jiān)測(cè)信號(hào)去噪方法[J];航空動(dòng)力學(xué)報(bào);2014年08期

5 陶新民;杜寶祥;徐勇;;基于HOS奇異值譜的SVDD軸承故障檢測(cè)方法[J];振動(dòng)工程學(xué)報(bào);2008年02期

6 侯者非;楊杰;張雪;;基于復(fù)小波和奇異值比譜的軸承故障檢測(cè)方法[J];武漢理工大學(xué)學(xué)報(bào);2011年01期

7 ;[J];;年期

相關(guān)碩士學(xué)位論文 前3條

1 李葵;基于二次SVD和VPMCD的滾動(dòng)軸承故障智能診斷方法研究[D];昆明理工大學(xué);2015年

2 梁?jiǎn)⒎?基于EMD和SVD的滾動(dòng)軸承故障診斷研究[D];燕山大學(xué);2016年

3 耿宇斌;基于Morlet小波與SVD的旋轉(zhuǎn)機(jī)械故障特征提取算法研究[D];華南理工大學(xué);2015年

，

本文編號(hào)：1643252