大型旋转机械设备是工业生产的动力传输枢纽,精准的设备故障诊断是工业安全生产的重要保障。传统故障诊断方法由于难以处理高噪声振动信号而不能精确诊断设备故障类型。提出基于奇异值分解(Singular Value Decomposition,SVD)降噪和对...大型旋转机械设备是工业生产的动力传输枢纽,精准的设备故障诊断是工业安全生产的重要保障。传统故障诊断方法由于难以处理高噪声振动信号而不能精确诊断设备故障类型。提出基于奇异值分解(Singular Value Decomposition,SVD)降噪和对称点阵图像分析(Symmetrized Dot Pattern,SDP)的旋转机械设备齿轮箱故障特征分析方法,利用Hnakel矩阵奇异值分解降低噪声信号,并通过信号重构获得故障一维序列信号;利用SDP对称点阵图像法将故障信号的一维序列映射成二维空间图像,由此清晰地表征振动信号中的故障特征;最后,利用机械故障综合实验平台(MCDS)进行算法验证,实验结果表明该方法能够有效去除振动信号中的噪声,准确提取齿轮箱内部齿轮与轴承振动信号中的故障特征信息,故障匹配度显著提升。展开更多
文摘大型旋转机械设备是工业生产的动力传输枢纽,精准的设备故障诊断是工业安全生产的重要保障。传统故障诊断方法由于难以处理高噪声振动信号而不能精确诊断设备故障类型。提出基于奇异值分解(Singular Value Decomposition,SVD)降噪和对称点阵图像分析(Symmetrized Dot Pattern,SDP)的旋转机械设备齿轮箱故障特征分析方法,利用Hnakel矩阵奇异值分解降低噪声信号,并通过信号重构获得故障一维序列信号;利用SDP对称点阵图像法将故障信号的一维序列映射成二维空间图像,由此清晰地表征振动信号中的故障特征;最后,利用机械故障综合实验平台(MCDS)进行算法验证,实验结果表明该方法能够有效去除振动信号中的噪声,准确提取齿轮箱内部齿轮与轴承振动信号中的故障特征信息,故障匹配度显著提升。