CN112924175A - 一种基于奇异值分解的轴承故障信号降噪方法 - Google Patents

一种基于奇异值分解的轴承故障信号降噪方法 Download PDF

Info

Publication number
CN112924175A
CN112924175A CN202110086309.7A CN202110086309A CN112924175A CN 112924175 A CN112924175 A CN 112924175A CN 202110086309 A CN202110086309 A CN 202110086309A CN 112924175 A CN112924175 A CN 112924175A
Authority
CN
China
Prior art keywords
matrix
singular value
singular
value decomposition
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110086309.7A
Other languages
English (en)
Inventor
沈卫杰
徐玮玮
陈标
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110086309.7A priority Critical patent/CN112924175A/zh
Publication of CN112924175A publication Critical patent/CN112924175A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • G01M13/04Bearings
    • G01M13/045Acoustic or vibration analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于奇异值分解的轴承故障信号降噪方法,步骤依次为:对轴承振动信号进行采样;对采样信号构造Hankel矩阵A;对矩阵A进行奇异值分解;对奇异值分解后的子矩阵进行重构;计算奇异值突变位置;根据重构的子矩阵和奇异值突变位置得到重构出降噪后的信号。

Description

一种基于奇异值分解的轴承故障信号降噪方法
技术领域
本发明属于机械故障诊断领域,特别涉及了一种轴承故障信号降噪方法。
背景技术
轴承是机械使用中最广泛且最易损坏的机械零件之一,其状态检测与故障诊断是机械设备故障诊断技术的重要内容。常用的轴承故障诊断方法有振动、噪声分析法、油液分析法、温度测定法、声发射分析法、轴承间隙测定法、油膜电阻测定法、光学纤维测定法、奇异值分解法等。
近年来,奇异值分解(Singular value decomposition,SVD)方法在轴承的故障诊断中表现出独特的优势。许多基于SVD的轴承故障诊断方法也在实际应用中表现出良好的诊断特性,例如2005年杨宇、于德介等人结合经验模态分解(Empirical modedecomposition,EMD)和奇异值分解实现了滚动轴承故障诊断;2014年王超、孔凡让等人提出改进的奇异值分解算法,丰富了奇异值分解在轴承故障诊断领域的应用。而针对求解奇异值的奇异向量矩阵的应用并未展开过多的探索,使得现阶段的故障诊断方法中定位奇异值的突变位置存在不足。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种基于奇异值分解的轴承故障信号降噪方法。
为了实现上述技术目的,本发明的技术方案为:
一种基于奇异值分解的轴承故障信号降噪方法,包括以下步骤:
(1)对轴承振动信号进行采样;
(2)对采样信号构造Hankel矩阵A:
Figure BDA0002910972670000021
其中,xa为第a个采样点,a=1,2,…,N,N为采样点数,1<n<N;
(3)对矩阵A进行奇异值分解A=UTΣV,其中,Σ为奇异值矩阵,U和V为奇异向量矩阵,T表示转置,U=(uij),1≤i,j≤m,uij为矩阵U的第i行第j列的元素,m=N-n+1,V=(vls),1≤l,s≤n,vls为矩阵V的第l行第s列的元素;且有:
Figure BDA0002910972670000022
Figure BDA0002910972670000023
其中,
Figure BDA0002910972670000024
表示矩阵A删除第j行后的矩阵,
Figure BDA0002910972670000025
表示矩阵A删除第s列后的矩阵,σi(A)、σk(A)、σl(A)、σt(A)为矩阵A的第i个、第k个、第l个、第t个奇异值,
Figure BDA0002910972670000026
为矩阵
Figure BDA0002910972670000027
的第k个奇异值,
Figure BDA0002910972670000028
为矩阵
Figure BDA0002910972670000029
的第t个奇异值;
则将A=UTΣV改写为
Figure BDA00029109726700000210
其中,uc和vc为矩阵A的第c个奇异向量,σc为矩阵A的第c个奇异值,c=1,2,…,q;
(4)令矩阵A经奇异值分解后的第c个子矩阵Ac
Figure BDA0002910972670000031
其中,xc,a为子矩阵Ac相应位置处的元素,a=1,2,…,N;
令Pc,1=[xc,1 xc,2 … xc,n],Qc,n=[xc,n+1 xc,n+2 … xc,N],则重构后的第c个子矩阵Pc
Figure BDA0002910972670000032
(5)将步骤(3)中得到的q个奇异值σc按照从大到小的顺序排序,令
bd=σdd+1,d=1,2,…,q-1
其中,σd为排序后的第d个奇异值;
则奇异值突变位置为
Figure BDA0002910972670000033
(6)利用步骤(4)得到的重构后的子矩阵Pc和步骤(5)得到的奇异值突变位置D,重构出降噪后的信号P:
Figure BDA0002910972670000034
采用上述技术方案带来的有益效果:
本发明求解奇异值的奇异向量矩阵更加简单、快捷,该部分的模块化可直接从实验平台作为产品插入其他系统,适用范围广。通过本发明得到的降噪后的信号进行故障诊断的精确度更好。
附图说明
图1是本发明的流程图;
图2是实施例中的奇异值差分谱图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于奇异值分解的轴承故障信号降噪方法,如图1所示。以小波信号来进行说明,构造响应函数如下:
Figure BDA0002910972670000041
Figure BDA0002910972670000042
n(t)为高斯白噪声,ξ为粘滞阻尼比,k为冲击响应次数,f0和fn为载波频率,τn和τ0为时间参数,T0为冲击响应周期,在实际信号中表现为故障频率。此处取ξ=0.37,k=5,fn=0.385Hz,f0=200Hz,τn=0.5s,τ0=1s,T0=0.05s,以采样频率fs=8000Hz对信号采样2048点,进而构造故障信号。
对于采样点信号,构造1024×1025的Hankel矩阵:
Figure BDA0002910972670000043
对矩阵A进行奇异值分解A=UTΣV,其分解出的两个奇异向量矩阵U=(uij),1≤i,j≤1024和V=(vls),1≤l,s≤1025的元素如下:
Figure BDA0002910972670000044
Figure BDA0002910972670000045
其中,
Figure BDA0002910972670000046
表示矩阵A删除第j行后的矩阵,
Figure BDA0002910972670000047
表示矩阵A删除第s列后的矩阵,将将A=UTΣV改写为
Figure BDA0002910972670000051
其中,uc和vc为矩阵A的第c个奇异向量,σc为矩阵A的第c个奇异值,c=1,2,…,q,q=1024。
令矩阵A经奇异值分解后的第c个子矩阵Ac
Figure BDA0002910972670000052
令Pc,1=[xc,1 xc,2 … xc,1024],Qc,1024=[xc,1025 xc,1026 … xc,2048],则重构后的第c个子矩阵
Figure BDA0002910972670000053
将q个奇异值σc按照从大到小的顺序排序,令bd=σdd+1,d=1,2,…,q-1则奇异值突变位置为
Figure BDA0002910972670000054
然后重构出降噪后的信号
Figure BDA0002910972670000055
由于绘图比例的关系,只显示前100个较重要的奇异值,且奇异值大小为原值的
Figure BDA0002910972670000056
并给出相应的差分谱,如图2所示,从图中可知应取前2个信号进行重构。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清晰起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于奇异值分解的轴承故障信号降噪方法,其特征在于,包括以下步骤:
(1)对轴承振动信号进行采样;
(2)对采样信号构造Hankel矩阵A:
Figure FDA0002910972660000011
其中,xa为第a个采样点,a=1,2,…,N,N为采样点数,1<n<N;
(3)对矩阵A进行奇异值分解A=UTΣV,其中,Σ为奇异值矩阵,U和V为奇异向量矩阵,T表示转置,U=(uij),1≤i,j≤m,uij为矩阵U的第i行第j列的元素,m=N-n+1,V=(vls),1≤l,s≤n,vls为矩阵V的第l行第s列的元素;且有:
Figure FDA0002910972660000012
Figure FDA0002910972660000013
其中,
Figure FDA0002910972660000014
表示矩阵A删除第j行后的矩阵,
Figure FDA0002910972660000015
表示矩阵A删除第s列后的矩阵,σi(A)、σk(A)、σl(A)、σt(A)为矩阵A的第i个、第k个、第l个、第t个奇异值,
Figure FDA0002910972660000016
为矩阵
Figure FDA0002910972660000017
的第k个奇异值,
Figure FDA0002910972660000018
为矩阵
Figure FDA0002910972660000019
的第t个奇异值;
则将A=UTΣV改写为
Figure FDA0002910972660000021
其中,uc和vc为矩阵A的第c个奇异向量,σc为矩阵A的第c个奇异值,c=1,2,…,q;
(4)令矩阵A经奇异值分解后的第c个子矩阵Ac
Figure FDA0002910972660000022
其中,xc,a为子矩阵Ac相应位置处的元素,a=1,2,…,N;
令Pc,1=[xc,1 xc,2 … xc,n],Qc,n=[xc,n+1 xc,n+2 … xc,N],则重构后的第c个子矩阵Pc
Figure FDA0002910972660000023
(5)将步骤(3)中得到的q个奇异值σc按照从大到小的顺序排序,令
bd=σdd+1,d=1,2,…,q-1
其中,σd为排序后的第d个奇异值;
则奇异值突变位置为D=mdax(bd);
(6)利用步骤(4)得到的重构后的子矩阵Pc和步骤(5)得到的奇异值突变位置D,重构出降噪后的信号P:
Figure FDA0002910972660000024
CN202110086309.7A 2021-01-22 2021-01-22 一种基于奇异值分解的轴承故障信号降噪方法 Pending CN112924175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110086309.7A CN112924175A (zh) 2021-01-22 2021-01-22 一种基于奇异值分解的轴承故障信号降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110086309.7A CN112924175A (zh) 2021-01-22 2021-01-22 一种基于奇异值分解的轴承故障信号降噪方法

Publications (1)

Publication Number Publication Date
CN112924175A true CN112924175A (zh) 2021-06-08

Family

ID=76164533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110086309.7A Pending CN112924175A (zh) 2021-01-22 2021-01-22 一种基于奇异值分解的轴承故障信号降噪方法

Country Status (1)

Country Link
CN (1) CN112924175A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762112A (zh) * 2021-08-25 2021-12-07 西安交通大学 基于奇异向量包络相关峭度的轴承周期冲击特征提取方法
CN115730199A (zh) * 2022-11-10 2023-03-03 天地(常州)自动化股份有限公司北京分公司 一种滚动轴承振动信号降噪和故障特征提取方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130094729A1 (en) * 2011-10-12 2013-04-18 University Of Virginia Patent Foundation Singular value filter for imaging or detection
CN106895985A (zh) * 2017-03-10 2017-06-27 汉威广园(广州)机械设备有限公司 高速线材轧机的故障信号降噪重构特征识别方法
CN109374298A (zh) * 2018-11-06 2019-02-22 石家庄铁道大学 基于互相关奇异值的轴承故障诊断方法
CN109765054A (zh) * 2019-01-22 2019-05-17 上海海事大学 一种滚动轴承故障诊断方法
CN110619296A (zh) * 2019-09-10 2019-12-27 东华大学 一种基于奇异分解的信号降噪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130094729A1 (en) * 2011-10-12 2013-04-18 University Of Virginia Patent Foundation Singular value filter for imaging or detection
CN106895985A (zh) * 2017-03-10 2017-06-27 汉威广园(广州)机械设备有限公司 高速线材轧机的故障信号降噪重构特征识别方法
CN109374298A (zh) * 2018-11-06 2019-02-22 石家庄铁道大学 基于互相关奇异值的轴承故障诊断方法
CN109765054A (zh) * 2019-01-22 2019-05-17 上海海事大学 一种滚动轴承故障诊断方法
CN110619296A (zh) * 2019-09-10 2019-12-27 东华大学 一种基于奇异分解的信号降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘佳音等: "基于奇异值分解降噪方法的大型风机故障诊断研究", 《辽宁科技大学学报》, no. 04, 15 August 2016 (2016-08-15) *
杨望灿等: "基于奇异值差分谱与改进包络分析的轴承故障特征提取", 《轴承》, no. 05, 5 May 2013 (2013-05-05), pages 1 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762112A (zh) * 2021-08-25 2021-12-07 西安交通大学 基于奇异向量包络相关峭度的轴承周期冲击特征提取方法
CN113762112B (zh) * 2021-08-25 2024-04-09 西安交通大学 基于奇异向量包络相关峭度的轴承周期冲击特征提取方法
CN115730199A (zh) * 2022-11-10 2023-03-03 天地(常州)自动化股份有限公司北京分公司 一种滚动轴承振动信号降噪和故障特征提取方法和系统

Similar Documents

Publication Publication Date Title
CN105115594B (zh) 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法
CN112924175A (zh) 一种基于奇异值分解的轴承故障信号降噪方法
CN113486574B (zh) 基于历史数据以及机器学习的声速剖面补全方法及装置
CN104807534B (zh) 基于在线振动数据的设备固有振动模式自学习识别方法
CN109117896B (zh) 一种基于ksvd字典学习的滚动轴承故障特征提取方法
CN107886091A (zh) 一种基于深度神经网络的机械故障快速诊断方法
CN112634608B (zh) 一种区域交通流量预测方法及系统
CN111106783A (zh) 一种信号制作方法、信号制作装置、振动马达及触屏设备
CN114216682A (zh) 一种基于tcn和bls的滚动轴承的寿命预测方法及装置
CN109033025A (zh) 基于状态空间模型的浮式结构时域响应分析方法
CN116400433A (zh) 一种基于数据融合和混合卷积的单站逐时气温预报方法
CN116399588A (zh) 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法
CN111678691A (zh) 基于改进的稀疏分解算法的齿轮故障检测方法
CN107966287A (zh) 一种自适应机电装备微弱故障特征提取方法
CN117147022B (zh) 力传感器非线性补偿方法及系统
CN108267311A (zh) 一种基于张量分解的机械多维大数据处理方法
Velázquez et al. A generic model for sensor simulation at system level
CN112505413B (zh) 一种时频分析方法和系统
CN116226704A (zh) 基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方法
CN114611419A (zh) 水流输移通道的流量计算方法、系统、介质及终端
Zhang et al. Denoising and trend terms elimination algorithm of accelerometer signals
CN113496228A (zh) 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法
CN113654959B (zh) 一种烟云浓度时空分布快速反演方法及系统
CN114754792A (zh) 基于itd和近似熵的mems陀螺信号预处理技术
Huang et al. Denoising method for underwater acoustic signals based on sparse decomposition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210608

RJ01 Rejection of invention patent application after publication