基于SVD-EEMD和TEO*的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。

液压挖掘机作业循环状态智能识别方法

为实现液压挖掘机作业循环阶段状态的自动识别,提出采用时窗滑移特征提取与PCA-SVM相结合的方法.以液压挖掘机2个主泵压力信号为研究对象,采用时窗滑移截取各阶段状态的小段波形,提取所有截取波段相应的时频参数并进行特征值归一化,经PCA降维处理后作为输入特征集,采用SVM进行状态分类,并分别讨论时窗宽度与重叠率对识别准确率的影响.引入即时校正策略,对直接识别结果进行自动检验校正,纠正不符合挖掘机循环作业逻辑规则的误判结果,从而使识别准确率由80.85%提高到89.36%.实验结果表明,所提方法能准确有效地实现液压挖掘机作业循环各阶段状态的自动识别.

基于EEMD能量熵-LPP的高速列车转子系统故障特征提取方法

针对高速列车轴承转子系统微弱故障特征提取难的问题,提出了一种基于EEMD能量熵-LPP的高速列车转子系统故障特征提取方法。该方法结合EEMD、能量熵和LPP,首先对振动信号进行EEMD自适应分解,计算高频IMF分量的能量熵获得高维特征向量集完成初步特征提取;然后通过LPP算法将高维特征向量集投影到低维空间对特征进一步提取形成低维样本集,在保留故障特征的局部几何结构信息的同时降低特征数据的复杂度,提高故障模式识别的分类性能;最后将低维样本集输入到KNN分类器中进行故障识别。通过比较初次提取特征和再次提取特征,结果表明该模型具有优越的聚类性能,可准确地识别几种常见的高速列车转子系统故障类型。