敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法。对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型。方法应用于轴承故障诊断,实验证明了所提方法的有效性。

基于ITD和敏感SVD的故障诊断方法研究

如何在含有噪声的振动信号中提取故障特征,是轴承故障诊断的关键问题,为此本文提出一种基于本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和敏感奇异值分解(Sensitive Singular Value Decomposition,SSVD)的故障诊断方法.首先对时域振动信号进行ITD预处理,并根据峭度准则选取包含故障信息的敏感旋转(Proper Rotation,PR)分量用于振动信号重构,以凸显振动信号局部特征;然后对此时频信号进行敏感SVD分析,通过敏感因子及定位因子选择敏感SVD分量重构信号,以滤除噪声干扰,提取微弱故障信息;最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,用于识别故障类型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.

基于敏感因子SVD的管道泄漏信号去噪研究

针对管道压力泄漏信号去噪的问题,提出基于敏感因子奇异值分解(Singular Value Decomposition,SVD)的管道泄漏压力信号去噪的方法。该方法首先对原始信号构造Hankel矩阵再进行SVD分解,将分解后得到的分量信号利用敏感因子找出敏感分量,最后通过定位因子选择敏感分量所对应的奇异值进行信号重构,并用该方法对矿浆管道实验平台运行中采集到的压力信号进行降噪处理。实验结果表明,该方法有效地去除矿浆管道的压力信号中的噪声,作为信号的预处理为管道泄漏检测和定位提供良好的基础。此外,该方法与小波去噪方法进行对比,结果表明,该方法具有更好的去噪效果。

SSVD与ELM故障诊断模型在换流器在线监测系统中的应用研究

针对高压直流输电(HVDC)系统中,受换流器谐波噪声影响,导致系统运行状态特征难以提取,且换流器内对称故障特征信息不易检测的问题,提出了一种基于敏感奇异值分解(SSVD)与极限学习机(ELM)的故障检测方法。首先将信号进行SSVD分析,通过敏感因子及差分谱选择敏感变量,由定位因子确定奇异值分解分量,并重构信号,达到滤除干扰噪声目的。最后,提取重构信号的峭度值作为特征,用于建立ELM故障诊断模型,对HVDC系统中的运行状态进行检测。仿真实验结果证明该方法能有效提取信号特征信息,并准确识别故障类型。