CN115730199A - 一种滚动轴承振动信号降噪和故障特征提取方法和系统 - Google Patents
一种滚动轴承振动信号降噪和故障特征提取方法和系统 Download PDFInfo
- Publication number
- CN115730199A CN115730199A CN202211406974.0A CN202211406974A CN115730199A CN 115730199 A CN115730199 A CN 115730199A CN 202211406974 A CN202211406974 A CN 202211406974A CN 115730199 A CN115730199 A CN 115730199A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vibration signal
- hankle
- rolling bearing
- singular
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种滚动轴承振动信号降噪和故障特征提取的方法,基于奇异值分解和时域负熵实现。对于采集到的包含强烈噪声的滚动轴承振动信号,包括:采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;基于所述零均值的振动信号构造原始Hankle矩阵;基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;基于更新之后的Hankle矩阵获取时域负熵谱;基于时域负熵谱对原始Hankle矩阵再次重构获得再重构Hankle矩阵;基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取,最终实现滚动轴承的故障诊断。
Description
技术领域
本发明属于旋转机械故障诊断领域,具体涉及一种基于奇异值分解和时域负熵的滚动轴承振动信号降噪和故障特征提取方法和系统。
背景技术
滚动轴承是大型机电设备中关键的零部件,起着承受载荷、传递载荷的重要作用,滚动轴承的运行状态直接决定着整台机电设备性能的好坏;此外,当滚动轴承发生故障时,很有可能会引发恶性事故,甚至会造成严重的财产损失和人身伤亡。因此,对滚动轴承进行状态监测和故障诊断很有必要。
滚动轴承故障诊断主要包含三个环节:故障信息获取、故障特征信息提取以及故障状态识别。其中故障特征提取和故障状态识别是两个关键环节,故障特征提取是故障诊断中最核心的部分,通常利用信号处理算法对振动信号进行降噪和故障特征提取。鉴于此,众多学者提出了各种信号处理方法,如经验小波变换、自适应谱峭度等。
目前,能对滚动轴承振动信号实现降噪和故障特征提取的方法主要有小波包分解(WPT)、变分模态分解(VMD)、局部均值分解(LMD)、经验小波变换(EWT)和自适应谱峭度(ASK)等。但这些方法的核心在于将包含滚动轴承故障特征频带的分量提取出来,但提取出的分量中仍然包含很多无用的噪声。目前已有基于奇异值分解理论对振动信号进行降噪的方法,但这些方法大多基于奇异值差分谱或曲率谱确定有效奇异值的个数,但确定的有效奇异值个数往往不准确,会丢失有效的故障信息。
如中国专利CN202110964450.2公开了一种CNG压缩机滚动轴承故障特征提取方法,其中采用了奇异值分解和时域负熵的方式进行滚动轴承故障特征提取,其所采用的技术路线为:信号—FFT频谱(幅值谱、相位谱)—FFT频谱(幅值谱)—关键函数—前N个逆傅里叶变换—极小值点—频带划分—频率排名矩阵—构造信号—时域负熵—取频率矩阵前M个,按照公式构造信号—奇异值分解滤波—信号还原(降噪后信号),始终通过对构建虚拟信号、复合信号进行降噪处理,进而再进行信号恢复,来实现信号降噪;使用了奇异值分解和时域负熵的方法,然而是以频域为基础,通过变换构建了“虚拟信号”,利用时域负熵去除信号中一些频率(频率矩阵取前M个)。然后再构造一个含有原信号的复合信号,使用奇异值滤波进行降噪,最后,再将原信号从符合信号恢复出来,实现信号降噪,信号的降噪处理过程复杂,效果也比较差。
发明内容
为了克服上述算法中的不足,本发明提供了一种滚动轴承振动信号降噪和故障特征提取方法和系统,基于奇异值分解和时域负熵实现,具体来说,先对原始振动信号进行去趋势预处理,得到零均值的振动信号;然后利用去除趋势项之后的振动信号构造Hankle矩阵,对该矩阵进行奇异值分解,得到奇异值对角阵S和左右正交矩阵U、V。然后选择前2*K(K=1,2,3,……80)个奇异值作为有效奇异值重构Hankle矩阵,进而得到重构之后的时间序列,K每变化一次,可得到一个新的时间序列,计算每一个时间序列的时域负熵,得到时域负熵谱,确定时域负熵最大值对应的位置,记为W,选择前2*W’个奇异值作为有效奇异值再次重构Hankle矩阵,进而得到降噪之后的信号,实现滚动轴承振动信号降噪的效果,最终借助包络解调得到滚动轴承故障特征信息。
本发明的目的在于提供一种滚动轴承振动信号降噪和故障特征提取方法,基于奇异值分解和时域负熵实现,该方法包括以下步骤:
S1,采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,
S2,对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;
S3,基于所述零均值的振动信号构造原始Hankle矩阵;
S4,基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;
S5,基于更新之后的Hankle矩阵获取时域负熵谱;
S6,基于时域负熵谱对原始Hankle矩阵再次重构获得再重构Hankle矩阵;
S7,基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;
S8,基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取。
优选的,所述S4包括:
S41,基于奇异值分解(SVD,Singular Value Decomposition)理论对所述原始Hankle矩阵A进行分解,得到A=USVT;其中U为M*M的左正交矩阵,V为N*N的右正交矩阵,S为M*N的奇异值对角矩阵,除了主对角线全部为0,主对角线每个元素为奇异值;其中所述奇异值对角矩阵表示为:
S=(diag(σ1,σ2,Kσq),0)
其中,σ1≥σ2≥…≥σq≥0,称为矩阵A的奇异值;
S42,选取奇异值对角矩阵S中的前2*K个奇异值作为奇异值搜索域;其中,K=1,2,3,……80,所述2*K个奇异值形成奇异值序列;
S43,设定奇异值初始个数p=2,保留所述奇异值序列的前p个奇异值作为更新之后的奇异值序列S′的前p个对角元素,其它奇异值置为0作为另外的对角元素,从而得到更新之后的奇异值序列S′;
S44,将左正交矩阵U和右正交矩阵V保持不变,然后将更新之后的奇异值序列S′代入A′=US′VT进行重构,得到更新之后的Hankle矩阵A′。
优选的,所述K的范围为1-100。
优选的,所述S5包括:
S51,依次选取重构后的Hankle矩阵A′的第一行及最后一列数值,得到一个新的时间序列xp(n),其中下标p表示选择了前p个奇异值重构得到的信号;
S52,计算信号xp(n)的时域负熵,记为Tp;时域负熵的计算公式为:
式中<·>表示均值计算;
S53,判断p值是否大于2*K,判断选择的奇异值个数是否超过了给定的奇异值搜索域;若p值小于2*K,即p<80,则令p=p+2,返回S4进行循环直至完成52,增加两个奇异值,得到新的时间序列xp(n);若p=80,则进入步骤S54;从而获得多个时域负熵值;
S54:基于所述多个时域负熵值,按先后顺序绘制时域负熵谱,确定时域负熵最大值对应的序号W’。
优选的,所述S6包括:
S61,根据时域负熵最大值对应的序号W自适应的确定有效奇异值个数2*W’,确定原始Hankle矩阵A的前2*W’个奇异值,其它奇异值置为0,得到更新之后的奇异值序列Se;
S62,左正交矩阵U和右正交矩阵V保持不变,然后将更新之后的奇异值序列代入Ae=USeVT进行重构,得到更新之后的Hankle矩阵Ae。
优选的,所述S7包括:依次选取再重构Hankle矩阵Ae的第一行及最后一列数值,得到降噪后的时间序列xe(n)。
优选的,所述S8包括:对降噪后的时间序列xe(n)进行包络解调处理,得到其包络谱,从而提取滚动轴承的故障特征频率。
本发明的第二方面还在于提供一种滚动轴承振动信号降噪和故障特征提取系统,基于奇异值分解和时域负熵实现,包括:
信号采集模块,用于采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,
预处理模块,用于对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;
第一Hankle矩阵构造模块,用于基于所述零均值的振动信号构造原始Hankle矩阵;
第二Hankle矩阵构造模块,用于基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;
时域负熵谱模块,用于基于更新之后的Hankle矩阵获取时域负熵谱;
第三Hankle矩阵构造模块,用于基于时域负熵谱对更新之后的Hankle矩阵再次重构获得再重构Hankle矩阵;
降噪模块,用于基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;
故障特征提取模块,用于基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的方法、装置、电子设备以及计算机可读存储介质,具有如下有益的技术效果:
1、与目前普遍应用的小波包分解(WPT)、变分模态分解(VMD)、局部均值分解(LMD)、经验小波变换(EWT)和自适应谱峭度(ASK)等方法,本发明可以最大限度的保留信号中故障特征信息,噪声被大幅削弱,提升了信号的信噪比。同时,使用时域负熵确定重构分量,减少了人工参与,解决了重构分类难以确定的问题。
2、本发明的技术路线为:信号—Hankle矩阵—奇异值分解—前2*K个奇异值重构Hankle矩阵(重构后共有K个Hankle矩阵)—时域负熵—确定最大负熵位置—信号重构(完成降噪)。本发明,在时域中构建Hankle矩阵,对Hankle矩阵进行奇异值分解,利用时域负熵确定滤波阈值,实现信号的滤波。相比现有技术中使用了奇异值分解和时域负熵的方法中始终通过对构建虚拟信号、复合信号进行降噪处理,进而再进行信号恢复,来实现信号降噪,本发明直接对信号进行处理,实现信号降噪,降噪效率和效果得到大幅提升。
附图说明
图1为根据本发明优选实施例的滚动轴承振动信号降噪方法流程图;
图2为根据本发明优选实施例的确定振动信号有效奇异值个数的流程图;
图3为根据本发明优选实施例的滚动轴承振动信号的时域波形(上)和幅值谱(下);
图4为根据本发明优选实施例的振动信号的奇异值序列;
图5为根据本发明优选实施例的振动信号的奇异值时域负熵谱;
图6为根据本发明优选实施例的振动信号降噪之后的时域波形(上)、幅值谱(中)和包络谱(下);
图7为根据本发明优选实施例的振动信号的奇异值差分谱和曲率谱;
图8为根据本发明优选实施例的振动信号用奇异值差分谱降噪之后的时域波形(上)和幅值谱(下);
图9为根据本发明优选实施例的电子设备结构图。
具体实施方式
实施例一
一种滚动轴承振动信号降噪和故障特征提取方法,基于奇异值分解和时域负熵实现,其特征在于:该方法包括以下步骤:
S1,采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,
S2,对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;
S3,基于所述零均值的振动信号构造原始Hankle矩阵;所述原始Hankle矩阵为:
S4,基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;
S5,基于更新之后的Hankle矩阵获取时域负熵谱;
S6,基于时域负熵谱对原始Hankle矩阵再次重构获得再重构Hankle矩阵;
S7,基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;
S8,基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取。
作为优选的实施方式,所述S4包括:
S41,基于奇异值分解(SVD,Singular Value Decomposition)理论对所述原始Hankle矩阵A进行分解,得到A=USVT;其中U为M*M的左正交矩阵,V为N*N的右正交矩阵,S为M*N的奇异值对角矩阵,除了主对角线全部为0,主对角线每个元素为奇异值;其中所述奇异值对角矩阵表示为:
S=(diag(σ1,σ2,Kσq),0)
其中,σ1≥σ2≥…≥σq≥0,称为矩阵A的奇异值;
S42,选取奇异值对角矩阵S中的前2*K个奇异值作为奇异值搜索域;其中,K=1,2,3,……80,所述2*K个奇异值形成奇异值序列;本实施例中,优选K为40,即选择前80个奇异值作为有效奇异值重构Hankle矩阵,这80个奇异值对应着40个频率成分,若信号成份较复杂,可适当放宽奇异值搜索域,但一般不会超过200个,即信号中的有效频率成份不会超过100个;
S43,设定奇异值初始个数p=2,保留所述奇异值序列的前p个奇异值作为更新之后的奇异值序列S′的前p个对角元素,其它奇异值置为0作为另外的对角元素,从而得到更新之后的奇异值序列S′;
S44,将左正交矩阵U和右正交矩阵V保持不变,然后将更新之后的奇异值序列S′代入A′=US′VT进行重构,得到更新之后的Hankle矩阵A′。
作为优选的实施方式,所述S5包括:
S51,依次选取重构后的Hankle矩阵A′的第一行及最后一列数值,得到一个新的时间序列xp(n),其中下标p表示选择了前p个奇异值重构得到的信号;
S52,计算信号xp(n)的时域负熵,记为Tp;时域负熵的计算公式为:
式中<·>表示均值计算;
S53,判断p值是否大于2*K,即判断选择的奇异值个数是否超过了给定的奇异值搜索域,本实施例中即判断p值是否大于80;若p值小于2*K,即p<80,则令p=p+2,返回S4进行循环直至完成52,即增加两个奇异值,得到新的时间序列xp(n);若p=80,则进入步骤S54;从而获得多个时域负熵值;
S54:基于所述多个时域负熵值,按先后顺序绘制时域负熵谱,确定时域负熵最大值对应的序号W’。
作为优选的实施方式,所述S6包括:
S61,根据时域负熵最大值对应的序号W自适应的确定有效奇异值个数2*W’,选择原始Hankle矩阵A中的前2*W’个奇异值,其它奇异值置为0,得到更新之后的奇异值序列Se;
S62,左正交矩阵U和右正交矩阵V保持不变,然后将更新之后的奇异值序列代入Ae=USeVT进行重构,得到更新之后的Hankle矩阵Ae。
作为优选的实施方式,所述S7包括:依次选取再重构Hankle矩阵Ae的第一行及最后一列数值,得到降噪后的时间序列xe(n)。
作为优选的实施方式,所述S8包括:对降噪后的时间序列xe(n)进行包络解调处理,得到其包络谱,从而提取滚动轴承的故障特征频率。
本发明方法以某滚动轴承内外圈混合故障信号为例,轴承的型号为6205,采样频率为12000Hz,数据长度为4096,电机转速为1500r/min。经计算后,该轴承的外圈故障特征频率为fo=78.7Hz。
首先,在滚动轴承故障模拟试验台上安装带有外圈点蚀故障的滚动轴承,将试验台启动起来,利用数据采集器进行数据采集,并将采集到的数据传输到电脑中,利用本方法进行后续的信号处理。
图3为采集到的振动信号时域波形及其幅值谱。从中可以看出信号的时域波形有微弱的周期性冲击,频谱中能看到边频带成分,但确实包含着强烈的噪声干扰。
先对原始振动信号x(n)去趋势预处理,得到零均值的信号,再按下式构造Hankle矩阵;
得到一个2049×2048的Hankle矩阵A;
然后利用奇异值分解理论(SVD)对矩阵A进行分解,得到A=USVT,其中对角矩阵S=(diag(σ1,σ2,σ3Lσ2049)),且有:σ1≥σ2≥σ3≥L≥σ2049≥0,称为矩阵A的奇异值,绘制奇异值序列如图4所示,该图中只绘制了前50个奇异值;
选取前80个奇异值作为奇异值搜索域,设定奇异值初始个数P=2,保留奇异值序列σ1≥σ2≥σ3≥L≥σ2049≥0的前P个奇异值,其它奇异值置为0,得到更新之后的奇异值序列S′,矩阵U和V保持不变,然后将更新之后的奇异值序列代入A′=US′VT进行重构,得到更新之后的Hankle矩阵A′,依次选取重构后的Hankle矩阵A′的第一行及最后一列数值,得到一个新的时间序列xp(n),下标p表示选择了前P个奇异值重构得到的信号;
然后计算信号xp(n)的时域负熵,记为Tp。时域负熵的计算公式为
式中<·>表示均值计算。
判断p值是否大于80,即判断选择的奇异值个数是否超过了给定的奇异值搜索域,若p<80,则令p=p+2,增加两个奇异值,得到新的时间序列xp(n);若p=80,则进入下一步;
利用前面得到的40个时域负熵值,按先后顺序绘制时域负熵谱,如图5所示,从图5中可以发现时域负熵最大值对应的序号为W’=14;
选择原始Hankle矩阵A中的前2*W’=28个奇异值,其它奇异值置为0,得到更新之后的奇异值序列Se,矩阵U和V保持不变,然后将更新之后的奇异值序列代入Ae=USeVT进行重构,得到更新之后的Hankle矩阵Ae,依次选取重构后的Hankle矩阵Ae的第一行及最后一列数值,得到最终的降噪之后的时间序列xe(n),降噪信号如图6中的上图所示,可见该信号中的噪声成份被滤除,信号里出现明显的周期性冲击;
对图6中上图所示的时域信号进行傅里叶变换,可得到其幅值谱,如图6中图所示,可见,信号中的噪声已被滤除,信号频谱中只留下主要的频率成份。对图6中上图所示的时域信号进行包络解调分析,得到其包络谱,如图6中下图所示,包络谱中出现了明显的78.7Hz及其倍频成份,与6205轴承的外圈故障特征频率fo及其倍频吻合,由此可以诊断该轴承的外圈发生了故障。
为了验证本发明的优越性,求取图4所示奇异值序列的差分谱和曲率谱,结果如图7所示;由图7可知,奇异值差分谱在位置4处取得最大值,意味着应该选取前4个奇异值进行重构,奇异值曲率谱在位置5处取得最大值,由奇异值序列曲线图得第五个奇异值处是凹进的,曲率谱与差分谱选取结果相同,均保留前四个奇异值作为有效奇异值。图8展示了由前四个奇异值重构后的时域波形及其幅值谱。
由图8可见,虽然重构后得到的时域波形呈现明显的周期性,但只保留下了两个频率成分,轴承外圈故障激发的调制特征未充分保留下来,严重影响了滚动轴承的故障诊断。
因此,本发明可以有效地对滚动轴承振动信号进行降噪处理,且结果中故障特征频率突出,诊断效果较好。
实施例二
一种滚动轴承振动信号降噪和故障特征提取系统,基于奇异值分解和时域负熵实现,包括:
信号采集模块,用于采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,
预处理模块,用于对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;
第一Hankle矩阵构造模块,用于基于所述零均值的振动信号构造原始Hankle矩阵;
第二Hankle矩阵构造模块,用于基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;
时域负熵谱模块,用于基于更新之后的Hankle矩阵获取时域负熵谱;
第三Hankle矩阵构造模块,用于基于时域负熵谱对更新之后的Hankle矩阵再次重构获得再重构Hankle矩阵;
降噪模块,用于基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;
故障特征提取模块,用于基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取。
本发明还提供了一种存储器,存储有多条指令,所述指令用于实现如实施例一所述的方法。
如图9所示,本发明还提供了一种电子设备,包括处理器301和与所述处理器301连接的存储器302,所述存储器302存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。
Claims (10)
1.一种滚动轴承振动信号降噪和故障特征提取方法,基于奇异值分解和时域负熵实现,其特征在于,该方法包括以下步骤:
S1,采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,
S2,对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;
S3,基于所述零均值的振动信号构造原始Hankle矩阵;
S4,基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;
S5,基于更新之后的Hankle矩阵获取时域负熵谱;
S6,基于时域负熵谱对原始Hankle矩阵再次重构获得再重构Hankle矩阵;
S7,基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;
S8,基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取。
2.根据权利要求1所述的一种滚动轴承振动信号降噪和故障特征提取方法,其特征在于,所述S4包括:
S41,基于奇异值分解(SVD,Singular Value Decomposition)理论对所述原始Hankle矩阵A进行分解,得到A=USVT;其中U为M*M的左正交矩阵,V为N*N的右正交矩阵,S为M*N的奇异值对角矩阵,除了主对角线全部为0,主对角线每个元素为奇异值;其中所述奇异值对角矩阵表示为:
S=(diag(σ1,σ2,Kσq),0)
其中,σ1≥σ2≥…≥σq≥0,称为矩阵A的奇异值;
S42,选取奇异值对角矩阵S中的前2*K个奇异值作为奇异值搜索域;其中,K=1,2,3,……80,所述2*K个奇异值形成奇异值序列;
S43,设定奇异值初始个数p=2,保留所述奇异值序列的前p个奇异值作为更新之后的奇异值序列S′的前p个对角元素,其它奇异值置为0作为另外的对角元素,从而得到更新之后的奇异值序列S′;
S44,将左正交矩阵U和右正交矩阵V保持不变,然后将更新之后的奇异值序列S′代入A′=US′VT进行重构,得到更新之后的Hankle矩阵A′。
3.根据权利要求2所述的一种滚动轴承振动信号降噪和故障特征提取方法,其特征在于,所述K的范围为1-100。
4.根据权利要求2或3所述的一种滚动轴承振动信号降噪和故障特征提取方法,其特征在于,所述S5包括:
S51,依次选取重构后的Hankle矩阵A′的第一行及最后一列数值,得到一个新的时间序列xp(n),其中下标p表示选择了前p个奇异值重构得到的信号;
S52,计算信号xp(n)的时域负熵,记为Tp;时域负熵的计算公式为:
式中<·>表示均值计算;
S53,判断p值是否大于2*K,判断选择的奇异值个数是否超过了给定的奇异值搜索域;若p值小于2*K,即p<80,则令p=p+2,返回S4进行循环直至完成52,增加两个奇异值,得到新的时间序列xp(n);若p=80,则进入步骤S54;从而获得多个时域负熵值;
S54:基于所述多个时域负熵值,按先后顺序绘制时域负熵谱,确定时域负熵最大值对应的序号W’。
5.根据权利要求4所述的一种滚动轴承振动信号降噪和故障特征提取方法,其特征在于,所述S6包括:
S61,根据时域负熵最大值对应的序号W自适应的确定有效奇异值个数2*W’,确定原始Hankle矩阵A的前2*W’个奇异值,其它奇异值置为0,得到更新之后的奇异值序列Se;
S62,左正交矩阵U和右正交矩阵V保持不变,然后将更新之后的奇异值序列代入Ae=USeVT进行重构,得到更新之后的Hankle矩阵Ae。
6.根据权利要求5所述的一种滚动轴承振动信号降噪和故障特征提取方法,其特征在于,所述S7包括:依次选取再重构Hankle矩阵Ae的第一行及最后一列数值,得到降噪后的时间序列xe(n)。
7.根据权利要求6所述的一种滚动轴承振动信号降噪和故障特征提取方法,其特征在于,所述S8包括:对降噪后的时间序列xe(n)进行包络解调处理,得到其包络谱,从而提取滚动轴承的故障特征频率。
8.一种滚动轴承振动信号降噪和故障特征提取系统,基于奇异值分解和时域负熵实现,其特征在于,包括:
信号采集模块,用于采集振动信号x(n),其中所述振动信号的采样频率为fs,采样点数为N,
预处理模块,用于对所述振动信号x(n)进行去趋势预处理,从而获取零均值的振动信号;
第一Hankle矩阵构造模块,用于基于所述零均值的振动信号构造原始Hankle矩阵;
第二Hankle矩阵构造模块,用于基于原始Hankle矩阵和奇异值分解对原始Hankle矩阵进行重构获得更新之后的Hankle矩阵;
时域负熵谱模块,用于基于更新之后的Hankle矩阵获取时域负熵谱;
第三Hankle矩阵构造模块,用于基于时域负熵谱对更新之后的Hankle矩阵再次重构获得再重构Hankle矩阵;
降噪模块,用于基于再重构Hankle矩阵进行滚动轴承振动信号降噪获得降噪后的时间序列;
故障特征提取模块,用于基于所述降噪后的时间序列对所述滚动轴承的故障特征进行提取。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211406974.0A CN115730199B (zh) | 2022-11-10 | 2022-11-10 | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211406974.0A CN115730199B (zh) | 2022-11-10 | 2022-11-10 | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115730199A true CN115730199A (zh) | 2023-03-03 |
CN115730199B CN115730199B (zh) | 2023-07-21 |
Family
ID=85295229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211406974.0A Active CN115730199B (zh) | 2022-11-10 | 2022-11-10 | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730199B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486256A (zh) * | 2021-08-22 | 2022-05-13 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN116558824A (zh) * | 2023-04-19 | 2023-08-08 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及系统 |
CN116610907A (zh) * | 2023-05-27 | 2023-08-18 | 哈尔滨理工大学 | 基于变分模态分解的齿轮振动信号特征提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2053375A1 (en) * | 2007-10-24 | 2009-04-29 | Abb Research Ltd. | A method for detection and automatic identification of damage to rolling bearings |
CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学(保定) | 一种基于振动数据的风电机组轴承故障特征提取方法 |
CN108287073A (zh) * | 2018-01-24 | 2018-07-17 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
CN112924175A (zh) * | 2021-01-22 | 2021-06-08 | 南京信息工程大学 | 一种基于奇异值分解的轴承故障信号降噪方法 |
CN113865867A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
CN114486256A (zh) * | 2021-08-22 | 2022-05-13 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN114964769A (zh) * | 2022-04-26 | 2022-08-30 | 东南大学 | 一种风电齿轮箱振动信号故障诊断方法 |
-
2022
- 2022-11-10 CN CN202211406974.0A patent/CN115730199B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2053375A1 (en) * | 2007-10-24 | 2009-04-29 | Abb Research Ltd. | A method for detection and automatic identification of damage to rolling bearings |
CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学(保定) | 一种基于振动数据的风电机组轴承故障特征提取方法 |
CN108287073A (zh) * | 2018-01-24 | 2018-07-17 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
CN112924175A (zh) * | 2021-01-22 | 2021-06-08 | 南京信息工程大学 | 一种基于奇异值分解的轴承故障信号降噪方法 |
CN113865867A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
CN114486256A (zh) * | 2021-08-22 | 2022-05-13 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN114964769A (zh) * | 2022-04-26 | 2022-08-30 | 东南大学 | 一种风电齿轮箱振动信号故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
LANG XU 等: "Rolling element bearing diagnosis based on singular value decomposition and composite squared envelope spectrum", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 148, pages 1 - 25 * |
刘畅 等: "基于AFOA 的降噪源分离在轴承复合故障诊断中的试验研究", 《机电工程》, vol. 38, no. 6, pages 681 - 688 * |
朱红运 等: "基于奇异值分解和Savitzky-Golay 滤波器的信号降噪方法", 《计算机应用》, vol. 35, no. 10, pages 3004 - 3007 * |
赵靖: "强背景噪声下铁路列车滚动轴承故障特征提取方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 033 - 760 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486256A (zh) * | 2021-08-22 | 2022-05-13 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN114486256B (zh) * | 2021-08-22 | 2023-10-31 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN116558824A (zh) * | 2023-04-19 | 2023-08-08 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及系统 |
CN116558824B (zh) * | 2023-04-19 | 2024-02-06 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及系统 |
CN116610907A (zh) * | 2023-05-27 | 2023-08-18 | 哈尔滨理工大学 | 基于变分模态分解的齿轮振动信号特征提取方法 |
CN116610907B (zh) * | 2023-05-27 | 2024-03-19 | 哈尔滨理工大学 | 基于变分模态分解的齿轮振动信号特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115730199B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115730199B (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 | |
CN110057584B (zh) | 一种机车牵引电机轴承退化监测方法 | |
Hao et al. | Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings | |
Hu et al. | Multidimensional denoising of rotating machine based on tensor factorization | |
CN112347588A (zh) | 基于小波包分解的旋转机械故障诊断方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN106353649A (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
CN110672327A (zh) | 一种基于多层降噪技术的异步电机轴承故障诊断方法 | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN103926097B (zh) | 一种用于采集和提取低速重载设备故障特征信息的方法 | |
Li et al. | Incipient detection of bearing fault using impulse feature enhanced weighted sparse representation | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN116720059A (zh) | CEEMDAN-Grey-SSA弱信号提取方法 | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
CN106289780A (zh) | 一种基于Sparsogram和样本熵的滚动轴承损伤程度识别方法 | |
CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 | |
CN116127297A (zh) | 机电设备故障诊断方法和系统 | |
CN113657268B (zh) | 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法 | |
CN114441174A (zh) | 滚动轴承复合故障的诊断方法、系统、设备及介质 | |
CN115235759A (zh) | 一种基于宽度学习的风机齿轮箱早期故障诊断方法 | |
CN114912480A (zh) | 基于深度残差变分自编码器的故障诊断方法和诊断系统 | |
CN110688981B (zh) | 一种振动信号去噪的模态混叠消除方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |