基于VMD-SVD与SSA-SVM的电梯导靴故障诊断

为有效提取电梯导靴故障信号特征以及提高故障识别率,提出变分模态分解(VMD)、奇异值分解(SVD)与麻雀搜索算法优化支持向量机(SSA-SVM)相结合的电梯导靴故障诊断方法。首先用VMD算法分解电梯导靴振动信号,利用所得分量构建特征矩阵,再应用SVD理论提取特征矩阵的奇异值序列;用麻雀搜索算法(SSA)优化支持向量机相关参数,将奇异序列作为特征值输入到SSA-SVM模型,对导靴故障进行识别。结果表明该方法不仅消除了信号分解时的模态混叠现象且有效提取了故障导靴的特征,相比于EMD结合SVM的方法,导靴故障诊断识别率提高了10%。

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。