为了提取机械设备被强背景噪声淹没的故障特征,采用一种具有通用意义的基于奇异值分解(Singular value decomposition,SVD)的子空间降噪算法对信号进行处理,即?-SVD降噪算法。传统的SVD降噪算法是?-SVD降噪算法中拉格朗日乘子??0时的一种特殊情况。?-SVD降噪算法包含滤值因子,能够抑制以噪声贡献占主导的奇异值对降噪后信号的信息贡献量。?-SVD降噪算法涉及延迟时间、嵌入维数、降噪阶次、噪声功率和拉格朗日乘子等5个参数。讨论了?-SVD降噪算法的参数选择方法,并着重研究降噪阶次和拉格朗日乘子对降噪效果的影响。齿轮故障仿真信号和齿轮早期裂纹故障振动信号的试验结果表明,?-SVD降噪算法在降噪效果方面要优于传统的SVD降噪算法,可以在强背景噪声情况下更好地提取出齿轮的故障特征。
针对转子系统的故障特征,提出了基于多变量预测模型(variable predictive mode based class discriminate,简称VPMCD)和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数(intrinsic mode function,简称IMF)分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。
提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称VPMCD)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。VPMCD方法充分利用了特征值之间的相互内在关系来建立预测模型,并以这些模型对待诊断样本的特征值的预测结果作为分类依据来进行模式识别。ITD方法能自适应地将非平稳信号分解成为若干单分量信号(固有旋转分量,Proper rotation component,简称PRC)之和。首先对ITD算法进行了改进;接着采用改进ITD算法对原始振动信号进行分解得到多个内禀尺度分量(Intrinsic scale component,简称ISC);然后对包含主要故障信息的若干内禀尺度分量建立对数正态分布模型,并提取其对数均值和对数标准差作为故障特征值;最后采用VPMCD模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承正常、外圈故障和内圈故障振动信号的分析结果表明了该方法的有效性。
