CN116026591A - 张量奇异谱分解方法 - Google Patents
张量奇异谱分解方法 Download PDFInfo
- Publication number
- CN116026591A CN116026591A CN202211534378.0A CN202211534378A CN116026591A CN 116026591 A CN116026591 A CN 116026591A CN 202211534378 A CN202211534378 A CN 202211534378A CN 116026591 A CN116026591 A CN 116026591A
- Authority
- CN
- China
- Prior art keywords
- tensor
- vibration signal
- signal
- matrix
- vibration
- 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
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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种张量奇异谱分解方法。
背景技术
由于工作环境恶劣,旋转机械设备不可避免地会出现各种故障。这些故障可能导致旋转机械设备停止运转或发生灾难性的事故。因此,故障诊断技术受到研究学者的广泛关注。
基于信号处理方法的故障诊断技术是用于判定旋转机械设备是否发生故障的一种有效手段,信号处理方法主要是降低振动信号中的噪声干扰、提取信号中的故障特征进而实现轴承的故障诊断。这是因为当旋转机械设备出现故障时,系统多个部位、测点的振动信号都可能包含故障信息,而采集的振动信号容易受到噪声等干扰,从而使故障特征不易被发现,因此噪声的存在容易导致设备出现误诊或漏诊问题,使得故障诊断精度低。此外,现有的矩阵奇异值分解方法由于直接根据奇异值的大小或者比率来实现信号的重构,当信号中有较大的噪声时,这种方法很容易导致漏诊问题,且它们也无法同时处理多个振动信号,无法实现多振动信号的信息耦合。
发明内容
本发明要解决的技术问题是:为了解决现有技术中振动信号容易受到噪声等干扰,从而容易误诊或漏诊,使得故障诊断精度低的技术问题,本发明提供一种张量奇异谱分解方法,故障诊断精度高,为旋转机械设备状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性。
本发明解决其技术问题所采用的技术方案是:一种张量奇异谱分解方法,包括以下步骤:
S1:获取待诊断设备的多个振动信号,对每个所述振动信号预处理;
S2:通过功率谱密度方法确定每个所述振动信号的频带范围和最大谱峰频率,根据所述最大谱峰频率将预处理后的每个所述振动信号构建为多通道三阶张量信号其中,I1为三阶张量的第一阶、I2为三阶张量的第二阶以及I3为三阶张量的第三阶;
S4:根据所述分量信号,判断所述待诊断设备是否存在故障。
进一步,具体地,在步骤S1中,所述振动信号为两个,分别为振动信号x和振动信号y,通过MATLAB的工具箱中消除线性趋势项的detrend函数对所述振动信号x和所述振动信号y预处理。
进一步,具体地,在步骤S2中包括以下步骤:
S21:计算所述振动信号x和所述振动信号y的功率谱密度,所述振动信号x功率谱密度为PSDx,所述振动信号y的功率谱密度为PSDy;
S22:计算所述振动信号x和所述振动信号y的最大谱峰频率:
p=max(PSDx,PSDy)(1);
S22:根据所述最大谱峰频率将所述振动信号x和所述振动信号y分别构建为振动信号矩阵X和振动信号矩阵Y;
所述振动信号矩阵X表达式为:
所述振动信号矩阵Y表达式为:
其中,I2根据所述最大谱峰频率p计算:
I2=(0.8~1.2)Fs/p(4);
其中,Fs为采样频率;
进一步,具体地,在步骤S3中包括以下步骤:
S32、对所述矩阵B进行矩阵对角化,得到矩阵D,再对矩阵D进行奇异值分解,得到左奇异矩阵Uo、核心矩阵So和右奇异矩阵Vo;
S33、对所述左奇异矩阵Uo、所述核心矩阵So和所述右奇异矩阵Vo进行逆对角化,得到张量U、核心张量S和张量V;
S34、按顺序挑选出所述核心张量S中的第i个奇异值,构建为新核心张量Si,根据张量积对所述张量U、所述新核心张量Si和所述张量V进行重构,重构出第i个奇异值对应的张量Ai:
Ai=U*Si*VT(11);
其中,i=1,…I2;
S35、对所述第i个奇异值对应的张量Ai逆重构,获取振动信号x的分量信号xi和所述振动信号y的分量信号yi。
进一步,具体地,在步骤S4中,计算所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi的包络谱和所述待诊断设备的故障特征频率f,在所述包络谱中能找到接近所述故障特征频率f的频率值f0及所述频率值的倍频,判断所述待诊断设备是否有故障。
进一步,具体地,振动信号x和振动信号y通过安装在轴承上的两个加速度振动传感器采集,采样点数为N。
进一步,具体地,根据所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi分别绘制其对应的时域波形图,若时域波形图上有冲击特征,则判定待诊断设备为故障设备。
本发明的有益效果是:
(1)本发明的一种张量奇异谱分解方法通过对振动信号预处理,去除了原始振动信号中的干扰信号,提高故障诊断的诊断精度;
(2)通过功率谱密度方法计算最大谱峰频率,确定矩阵的参数,再构建三阶张量信号,相对于现有技术信号周期性截断构建的张量,本发明不需要经过经验值就能简单构建成三阶张量信号,构建三阶张量信号速度快且构建的三阶张量信号没有干扰频率,提高了故障诊断的时效性和准确性;
(3)采用张量Tensor-SVD分解速度快,利用多个通道振动信号中故障特征信息之间的固有耦合关系实现了弱故障特征的增强,即能够实现通道信号的故障特征增强,从而易辨识,便于故障诊断;
(4)本发明的一种张量奇异谱分解方法故障诊断精度高,实现旋转机械设备的早期故障的诊断,为旋转机械设备状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例一的结构示意图。
图2为本发明一具体实施例轴承振动信号x和振动信号y的时域波形图;
图3为本发明一具体实施例轴承振动信号x经张量奇异谱分解的时域波形图;
图4是本发明一具体实施例轴承振动信号x经张量奇异谱分解的包络谱图。
图5是原始信号(信号x)的包络谱图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,是本发明最优实施例,一种张量奇异谱分解方法,其特征在于,包括以下步骤:
S1:获取待诊断设备的多个振动信号,对每个振动信号预处理。
在步骤S1中,振动信号为两个,分别为振动信号x和振动信号y,通过MATLAB的工具箱中消除线性趋势项的detrend函数对振动信号x和振动信号y预处理,去除了原始振动信号中的干扰信号,提高故障诊断的诊断精度。
振动信号x和振动信号y通过安装在轴承上的两个加速度振动传感器采集,采样点数为N。
在一具体实施例中,两个加速度振动传感器分别安装在轴承的径向水平方向和垂直方向,测量水平方向的振动信号x和垂直方向的振动信号y,如图2所示,采样频率Fs=65536Hz,采样点数为N=131072,分别采用MATLAB的detrend()函数对获取的振动信号x和振动信号y去趋势项,x=detrend(x),y=detrend(y)。
S2:通过功率谱密度方法确定每个振动信号的频带范围和最大谱峰频率,根据最大谱峰频率将预处理后的每个振动信号构建为多通道三阶张量信号其中,I1为三阶张量的第一阶、I2为三阶张量的第二阶以及I3为三阶张量的第三阶。
在实施例中,在步骤S2中包括以下步骤:
S21:计算振动信号x和振动信号y的功率谱密度,振动信号x功率谱密度为PSDx,振动信号y的功率谱密度为PSDy;
S22:计算振动信号x和振动信号y的最大谱峰频率:
p=max(PSDx,PSDy)(1);
S22:根据最大谱峰频率将振动信号x和振动信号y分别构建为振动信号矩阵X和振动信号矩阵Y;
振动信号矩阵X表达式为:
振动信号矩阵Y表达式为:
其中,I2根据最大谱峰频率p计算:
I2=(0.8~1.2)Fs/p (4);
其中,Fs为采样频率;
在步骤S2中通过功率谱密度方法计算最大谱峰频率,确定矩阵的参数,再构建三阶张量信号,相对于现有技术信号周期性截断构建的张量,本发明不需要经过经验值就能简单构建成三阶张量信号,构建三阶张量信号速度快且构建的三阶张量信号没有干扰频率,提高了故障诊断的时效性和准确性。
S3:对多通道三阶张量信号进行张量Tensor-SVD分解,并进行重构,计算每个振动信号对应的分量信号;张量Tensor-SVD分解分解速度快,能够利用多个通道振动信号中故障特征信息之间的固有耦合关系实现了弱故障特征的增强。
在步骤S3中包括以下步骤:
B=[A::1,A::2,…A::I3](6);
S32、对矩阵B进行矩阵对角化,得到矩阵D:
再对矩阵D进行奇异值分解,得到左奇异矩阵Uo、核心矩阵So和右奇异矩阵Vo:
S33、对左奇异矩阵Uo、核心矩阵So和右奇异矩阵Vo进行逆对角化,得到张量U、核心张量S和张量V:
其中,张量U、核心张量S和张量V分别是I1×I1×I3,I1×I2×I3和I2×I2×I3三阶张量;
S34、按顺序挑选出核心张量S中的第i个奇异值,构建为新核心张量Si,具体的,
根据张量积对张量U、新核心张量Si和张量V进行重构,重构出第i个奇异值对应的张量Ai:
Ai=U*Si*VT(11);
其中,i=1,…I2;
需要说明得是,假设A为I1×I2×I3的三阶张量,B为I1×l×I3的三阶张量,则A与B的积为一个I1×l×I3的三阶张量C,张量积表达式为
在步骤S3中,对张量U、新核心张量Si和张量V进行重构时采用公式(12)重构出第i个奇异值对应的张量Ai。
S35、对第i个奇异值对应的张量Ai逆重构,获取振动信号x的分量信号xi和振动信号y的分量信号yi;如取第i个奇异值对应的张量Ai的第一个切片的第一列序列作为分量信号x1,取第二个切片的第一列序列作为分量信号y1,依次类推。
S4:根据分量信号,判断待诊断设备是否存在故障。
在步骤S4中,计算振动信号x的分量信号xi以及振动信号y的分量信号yi的包络谱和待诊断设备的故障特征频率f,在包络谱中能找到接近故障特征频率fo及其倍频,判断待诊断设备是否有故障。
根据振动信号x的分量信号xi、以及振动信号y的分量信号yi分别绘制其对应的时域波形图,若时域波形图上有冲击特征,则判定待诊断设备为故障设备,在本发明一具体实施例中选取了前10个奇异值进行了计算,获得了振动信号x和振动信号y的前10个分量信号,根据分量信号绘制得到其对应的时域波形图,如图3所示为振动信号x的第一个分量信号x1的时域波形图,从图3中能够观察到周期为To的3个冲击特征,To为轴承故障冲击之间的时间间隔,因此,可判断该轴承为故障轴承。
对振动信号x和振动信号y的前10个分量信号分别进行包络谱分析,如图4所示为第一个分量信号的包络谱图,在一具体实施例中,根据轴承故障频率公式可计算出轴承的外圈故障特征频率f为21.5Hz;在第一个分量信号的包络谱中找到接近轴承故障特征频率的频率fo=21Hz及其倍频2fo,因此,轴承发生外圈故障。
需要说明的是,轴承故障频率公式为:
其中,D为轴承的节圆直径;d为滚珠直径;α为接触角度;n为滚动体数目,fi为轴承转速。
如图5所示是原始信号的包络谱图,最大幅值在0.3左右,而本发明的一实施例通过张量奇异谱分解方法幅值在0.6左右,和原始信号相比,故障特征增强了2倍;另外,本发明的方法处理一实施例时运行时间为1分钟;对比方法在处理一实施例时运行时间为15分钟,对比方法与本发明方法区别在于:将测取的振动信号x和振动信号y从向量转换为矩阵X1和矩阵Y1,采用堆叠方法将矩阵X1和矩阵Y1构造为双通道三阶张量信号,对双通道三阶张量信号T进行自适应分解,并进行重新构造,筛选出分量信号。
综上可见,本发明分解速度快,能够实现通道信号的故障特征增强,从而易辨识,便于故障诊断。
本发明的一种张量奇异谱分解方法通过对振动信号预处理,去除了原始振动信号中的干扰信号,提高故障诊断的诊断精度;通过功率谱密度方法计算最大谱峰频率,确定矩阵的参数,再构建三阶张量信号,相对于现有技术信号周期性截断构建的张量,本发明不需要经过经验值就能简单构建成三阶张量信号,构建三阶张量信号速度快且构建的三阶张量信号没有干扰频率,提高了故障诊断的时效性和准确性;采用张量Tensor-SVD分解速度快,利用多个通道振动信号中故障特征信息之间的固有耦合关系实现了弱故障特征的增强,即能够实现通道信号的故障特征增强,从而易辨识,便于故障诊断;另外,故障诊断精度高,实现旋转机械设备的早期故障的诊断,为旋转机械设备状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
2.如权利要求1所述的张量奇异谱分解方法,其特征在于,在步骤S1中,所述振动信号为两个,分别为振动信号x和振动信号y,通过MATLAB的工具箱中消除线性趋势项的detrend函数对所述振动信号x和所述振动信号y预处理。
3.如权利要求2所述的张量奇异谱分解方法,其特征在于,在步骤S2中包括以下步骤:
S21:计算所述振动信号x和所述振动信号y的功率谱密度,所述振动信号x功率谱密度为PSDx,所述振动信号y的功率谱密度为PSDy;
S22:计算所述振动信号x和所述振动信号y的最大谱峰频率p:
p=max(PSDx,PSDy) (1);
S22:根据所述最大谱峰频率将所述振动信号x和所述振动信号y分别构建为振动信号矩阵X和振动信号矩阵Y;
所述振动信号矩阵X表达式为:
所述振动信号矩阵Y表达式为:
其中,I2根据所述最大谱峰频率p计算:
I2=(0.8~1.2)Fs/p (4);
其中,Fs为采样频率;
4.如权利要求3所述的张量奇异谱分解方法,其特征在于,在步骤S3中包括以下步骤:
S32、对所述矩阵B进行矩阵对角化,得到矩阵D,再对矩阵D进行奇异值分解,得到左奇异矩阵Uo、核心矩阵So和右奇异矩阵Vo;
S33、对所述左奇异矩阵Uo、所述核心矩阵So和所述右奇异矩阵Vo进行逆对角化,得到张量U、核心张量S和张量V;
S34、按顺序挑选出所述核心张量S中的第i个奇异值,构建为新核心张量Si,根据张量积对所述张量U、所述新核心张量Si和所述张量V进行重构,重构出第i个奇异值对应的张量Ai:
Ai=U*Si*VT (11);
其中,i=1,…I2;
S35、对所述第i个奇异值对应的张量Ai逆重构,获取振动信号x的分量信号xi和所述振动信号y的分量信号yi。
5.如权利要求4所述的张量奇异谱分解方法,其特征在于,在步骤S4中,计算所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi的包络谱和所述待诊断设备的故障特征频率f,在所述包络谱中能找到接近所述故障特征频率f的频率值fo及所述频率值的倍频,判断所述待诊断设备是否有故障。
6.如权利要求2所述的张量奇异谱分解方法,其特征在于,振动信号x和振动信号y通过安装在轴承上的两个加速度振动传感器采集,采样点数为N。
7.如权利要求4所述的张量奇异谱分解方法,其特征在于,根据所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi分别绘制其对应的时域波形图,若时域波形图上有冲击特征,则判定所述待诊断设备为故障设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534378.0A CN116026591A (zh) | 2022-12-02 | 2022-12-02 | 张量奇异谱分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534378.0A CN116026591A (zh) | 2022-12-02 | 2022-12-02 | 张量奇异谱分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116026591A true CN116026591A (zh) | 2023-04-28 |
Family
ID=86071729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534378.0A Pending CN116026591A (zh) | 2022-12-02 | 2022-12-02 | 张量奇异谱分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026591A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116202760A (zh) * | 2023-05-05 | 2023-06-02 | 赛腾机电科技(常州)有限公司 | 用于机械故障诊断的三阶张量的奇异值分解方法及系统 |
-
2022
- 2022-12-02 CN CN202211534378.0A patent/CN116026591A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116202760A (zh) * | 2023-05-05 | 2023-06-02 | 赛腾机电科技(常州)有限公司 | 用于机械故障诊断的三阶张量的奇异值分解方法及系统 |
CN116202760B (zh) * | 2023-05-05 | 2023-08-18 | 赛腾机电科技(常州)有限公司 | 用于机械故障诊断的三阶张量的奇异值分解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111521400B (zh) | 一种基于edm及谱峭度的轴承早期故障诊断方法 | |
US20090312979A1 (en) | Adaptive Real-Time Analysis Method for Dynamic Signals Generated by Rotary Machines | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
CN111089726A (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN113702044B (zh) | 一种轴承故障检测方法及系统 | |
CN113138011A (zh) | 一种新型振动噪声测试方法 | |
CN102155988A (zh) | 设备监诊方法 | |
CN116026591A (zh) | 张量奇异谱分解方法 | |
CN113375939A (zh) | 基于svd和vmd的机械件故障诊断方法 | |
Jie et al. | Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis | |
CN112115802A (zh) | 一种起重机回转机构齿轮故障诊断方法、系统及存储介质 | |
Wang et al. | Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy | |
CN110646199B (zh) | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 | |
Cui et al. | Research on fault diagnosis of rolling bearing based on the MCKD-SSD-TEO with optimal parameters | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN113820133B (zh) | 一种轴承振动信号的稀疏重构方法及其系统 | |
CN114923689A (zh) | 一种基于局部特征尺度分解的滚动轴承故障诊断方法 | |
CN110569478B (zh) | 用于编码器信号分析的改进变分模态分解方法 | |
Zhang et al. | Impulsive component extraction using shift-invariant dictionary learning and its application to gear-box bearing early fault diagnosis | |
CN112595515A (zh) | 一种动力轴系轴承故障检测方法及系统 | |
Damine et al. | Comparative Study Between EEMD-MED and VMD-MED Techniques Dedicated to Bearing Fault Detection in Induction Motors | |
CN114235411B (zh) | 轴承外圈缺陷定位方法 | |
CN110646200B (zh) | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 | |
Zhou et al. | A novel underdetermined source number estimation for coupled vibration sources of mechanical fault based on variational mode decomposition | |
CN117890112A (zh) | 一种融合ITD与Mobility参数及峭度的轴承故障识别方法 |
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 |