基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于 EMD( Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量 ( Intrinsic mode function,IMF)之和 ,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值 ,将其作为滚动轴承振动信号的状态特征向量 ,通过建立 Mahalanobis距离判别函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明 ,本文方法能有效地应用于滚动轴承故障诊断。

奇异值分解技术在齿轮箱故障诊断中的应用

首先利用伪相图确定齿轮箱振动信号的基本周期 ,并在此基础上对原始信号进行时域平均降噪处理。然后应用奇异值分解技术提取各齿轮轴的振动信号分量 ,再对此振动信号分量作进一步的时、频域分析 ,给出了描述齿轮轴振动信号分量变化的定量指标。最后结合实例说明这种方法对诊断齿轮箱故障是比较有效的。

基于SVD和SVM的复杂背景噪声图像的纸病辨识

针对纸病图像的复杂背景噪声造成的纸病辨识结果不理想的问题,提出一种基于奇异值分解(SVD)和支持向量机(SVM)的纸病辨识方法:首先利用多层二维小波对纸病图像背景噪声去噪,然后用SVD对纸病进行特征提取,最后采用SVM对纸病进行辨识。实验结果表明,该方法可以有效辨识纸病,且不受实际生产过程中图像复杂背景噪声的影响。