针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自...针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自回归功率谱,基于信号能量分布分析实现对原算法的分解精度参数的自适应设定。引入峭度指标作为故障特征选择依据,从轴承故障信号本身的特征来更多地保留机械振动信号中的故障信息,结合峭度指标实现递推分解层数参数的设置,自适应分解出故障信号,有效保留包含故障信息的瞬态冲击成分。优化ESVDP分解结构,减少不必要的计算冗余,提升计算效率的同时对故障信号进行筛选,从而准确实现轴流风机轴承故障的诊断。仿真信号和试验结果均表明该方法在强干扰分量下可有效提取轴流风机轴承的故障特征频率,实现轴流风机轴承的故障诊断。展开更多
文摘针对工业生产场景下大型轴流风机滚动轴承受强背景噪声干扰影响导致的故障信号特征提取难题,提出一种基于延伸奇异值分解包(extended singular value decomposition packet,ESVDP)的自适应轴承故障信号提取方法。利用自回归模型,引入自回归功率谱,基于信号能量分布分析实现对原算法的分解精度参数的自适应设定。引入峭度指标作为故障特征选择依据,从轴承故障信号本身的特征来更多地保留机械振动信号中的故障信息,结合峭度指标实现递推分解层数参数的设置,自适应分解出故障信号,有效保留包含故障信息的瞬态冲击成分。优化ESVDP分解结构,减少不必要的计算冗余,提升计算效率的同时对故障信号进行筛选,从而准确实现轴流风机轴承故障的诊断。仿真信号和试验结果均表明该方法在强干扰分量下可有效提取轴流风机轴承的故障特征频率,实现轴流风机轴承的故障诊断。
