延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。

基于改进延伸奇异值分解包的滚动轴承故障诊断

针对延伸奇异值分解包算法中依靠经验设定参数的问题,提出了一种可自适应设定参数的改进延伸奇异值分解包算法。该方法利用信号的关键函数对其频谱趋势进行估计,以此实现原算法中2个重要参数——分解精度和分解层数的自适应设定。引入了时域负熵指标,在实现信号自适应分解的同时,可对分解分量进行降噪处理,提高分量的信噪比,为之后的特征提取和故障诊断奠定基础。仿真信号和实验结果均表明该方法能有效地提取振动信号中的故障特征,实现滚动轴承的故障诊断。

基于EWT-SVDP的旋转机械故障诊断

为了准确诊断旋转机械故障类型,提出了基于EWT-SVDP的故障诊断方法。分析了经验小波变换对信号分解的频率自适应性优势;给出了奇异值包分解与重构原理,并说明了此算法的强去噪能力;将经验小波变换与奇异值包分解融合,提出了EWT-SVDP算法,此算法兼容了经验小波变换的频率自适应性与奇异值包分解的强去噪能力,能够有效去除信号误差并给出信号频谱;介绍了轴承基本结构和故障特征频率理论值,设计了轴承故障诊断实验方案和方法,对故障振动信号使用EWT-SVDP算法进行去噪和重构,并结合希尔伯特变换,分析信号的频谱和包络图,可以明显看出轴承回转频率及倍频、故障特征频率及其倍频、两者合成的边频等,充分证明了所提出的EWTSVDP算法能够准确判断出旋转机械故障类型。

基于SVDP基尼指数图和ARLD的风电机组主轴承微弱故障诊断

在强烈背景噪声环境下,风电机组服役过程中主轴承局部故障所引发的振动冲击容易受到干扰,加之受到复杂多变振动传递路径的影响,导致对主轴承的故障通常难以进行准确地判别。针对这一问题,提出了一种基于奇异值分解包(SVDP)基尼指数图和自适应Richardson-Lucy解卷积(ARLD)的主轴承故障诊断方法,用于提取强烈背景噪声环境下的微弱故障特征。首先,通过设置SVDP分解层数对原始信号进行了处理,计算出了各层子分量的基尼指数,构造了SVDP基尼指数图,并从原始信号中分离出最佳子分量,提升了信号的信噪比;然后,采用鲸群优化算法(WOA)自动获取了解卷积算法的最优形态控制参量,并对最佳子分量做了解卷积处理,从而进一步抑制了子分量中的噪声干扰,强化了冲击性特征;最后,采用Teager能量算子,对解卷积信号进行了包络解调分析,并根据包络谱中特征频率谱线,识别了主轴承的故障位置;分别采用仿真信号及风电现场的工程实测信号数据,对基于SVDP基尼指数图和ARLD诊断方法的有效性和鲁棒性进行了验证。研究结果表明:采用基于SVDP基尼指数图和ARLD的故障诊断方法可以有效地提取出风电机组主轴承的故障特征频率及其多倍频成分,进而对主轴承微弱故障进行了准确判定;该方法可为实际工程中的风电机组主轴承的微弱故障诊断提供一定的参考和借鉴。