CN106226077B - 一种基于时变奇异值分解的周期性暂态信号的检测方法 - Google Patents
一种基于时变奇异值分解的周期性暂态信号的检测方法 Download PDFInfo
- Publication number
- CN106226077B CN106226077B CN201610520811.3A CN201610520811A CN106226077B CN 106226077 B CN106226077 B CN 106226077B CN 201610520811 A CN201610520811 A CN 201610520811A CN 106226077 B CN106226077 B CN 106226077B
- Authority
- CN
- China
- Prior art keywords
- signal
- singular value
- matrix
- varying
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于时变奇异值分解的周期性暂态信号的检测方法,该方法检测被噪声所淹没的周期性暂态信号,实现列车轴承故障的精确诊断。该方法对检测信号进行Hilbert变换,获取包络信号,对信号加窗,获取信号片段,构造每个信号所对应的汉克矩阵,对每个汉克矩阵奇异值分解,构造时变奇异值矩阵,计算相邻两列奇异值差值,对差值信号做快速傅里叶变换,将频率轴尺度缩小为原来的1/2,分析奇异值‑频谱分布检测淹没的特征频率,进行诊断。相比于传统奇异值分解方法,该方法可以有效的排除大能量噪声和其他干扰频率的影响,对微弱信号的周期性特征提取具有很好的效果。
Description
技术领域
本发明涉及一种基于时变奇异值分解的周期性暂态信号的检测方法,适用于故障诊断、生物医疗等微弱信号检测领域,尤其适用于列车轴承故障诊断领域。
背景技术
列车轴承发生故障会激发出一种周期性暂态声学信号。因此可通过检测该声学信号对列车轴承实现非接触式的故障诊断与状态监测。但由于检测信号不可避免的混入噪声,微弱的周期性特征会被淹没。提取该特征频率对实现列车轴承诊断具有十分重要的意义。传统的奇异值分解去噪方法基于“先分解再重构”的基本思想,通过将分解出的小的奇异值舍去,保留大的奇异值重构达到去噪的目的。然而该方法在保留大奇异值的过程不可避免的会保留住能量较大的噪声,给提取微弱的周期性特征带来不利影响。这将大大降低列车轴承故障的诊断效率和准确率。
发明内容
本发明提出了一种时变奇异值分解的周期性暂态信号的检测方法,该方法检测被噪声所淹没的周期性暂态信号。相比于传统的奇异值分解方法,本发明方法抛弃了“先分解再重构”的基本思想,在奇异值域直接对测取信号中的周期性暂态特征进行分析,可以有效的排除大能量噪声和其他干扰频率的影响。尤其对微弱信号的周期性特征提取具有很好的效果。
本发明采用的技术方案为:一种基于时变奇异值分解的周期性暂态信号的检测方法,在待检测设备前方安置麦克风传感器用于记录设备发出的声学信号作为检测信号,对检测信号进行分析,具体步骤如下:
步骤(1)、通过希尔伯特变换计算检测信号x(t)的包络信号y(t);
步骤(2)、对信号进行加窗处理,可得信号片段为:
其中,yi为包络信号的第i个数据点,k为信号片段长度;
步骤(3)、对每个信号片段构造对应的汉克矩阵:
步骤(4)、对每个汉克矩阵进行奇异值分解,获取每个信号片段所对应的奇异值序列,将该奇异值序列按列排列,可得到信号y(t)的时变奇异值矩阵:
其中,列向量[σ1,i,σ2,i,…,σp,i]T表示第i个汉克矩阵H(Yi k)的奇异值序列,N表示信号y(t)的长度,p表示矩阵H(Yi k)的秩;
步骤(5)、计算时变奇异值矩阵第2j行和第2j-1行的差值(j=1,2,…,p/2),并对其使用快速傅里叶变换求取其频谱;
步骤(6)、将该频谱的频率轴缩小为原来的1/2,通过分析奇异值-频谱分布检测所淹没的特征频率。
本发明该方法的优点主要有以下三点:
(1)、该方法是一种数据驱动的方法,不需要先验知识,具有很好的适应性。
(2)、该方法相对于传统奇异值分解方法,可以有效的排除大能量噪声和其他干扰频率的影响,对微弱信号的周期性特征提取具有很好的效果。
(3)、该方法不仅可以保留信号的特征频率,还可以保留其倍频信息,对常出现在故障诊断中的暂态冲击信号的识别十分有效。
附图说明
图1为本发明方法实施流程图;
图2为本发明的仿真信号的包络谱;
图3为本发明中时变奇异值方法处理后的仿真信号的奇异值-频谱分布;
图4为本发明中时变奇异值方法处理后的仿真信号的包络谱;
图5为本发明的实际外圈故障信号的包络谱;
图6为本发明中时变奇异值方法处理后的外圈故障信号的奇异值-频谱分布;
图7为本发明中时变奇异值方法处理后的外圈故障信号的包络谱。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
实施例1:
以仿真信号为例。仿真信号采用与故障信号相似的单边衰减周期信号:
其中采样频率为12kHz,fc表示共振频率为1000Hz,fp表示冲击频率为130Hz,ζ表示衰减率为0.05,n(t)表示加性高斯白噪声为-10dB。对信号进行解包络,其频谱如图2所示。可以看出:冲击频率已经被淹没。
利用本发明提出的时变奇异值分解方法对信号进行处理,具体步骤如下:
1、为提高计算效率,首先对仿真信号进行4倍的降采样。
2、通过希尔伯特变换计算仿真信号的包络信号。
3、取窗长k=2500,截取包络信号的片段。对每个信号片段构造对应的汉克矩阵,并对汉克矩阵进行奇异值分解,提取其奇异值序列。
4、将每个片段所对应的奇异值序列按列排列,得到该信号的时变奇异值矩阵。
5、根据发明内容的步骤(5)和(6)计算该信号的奇异值-频谱分布如图3所示。
6、分析第一个奇异值所对应频谱(如图4所示),可以看到明显的冲击频率fp=130Hz,相比原始信号,噪声已经基本消除。此外,冲击频率130Hz的二次、三次谐波频率成分幅度清晰可见。这些事实表明原始信号中包含该冲击频率,亦进一步说明时变奇异值算法在提取信号周期性成分,抑制噪声方面作用明显。
实施例2:
采用具有外圈故障的实际轴承数据进行处理。轴承型号为6205-2RS JEM SKF,参数如表1所示。
表1:轴承6205-2RS JEM SKF参数(单位:英寸)
信号采样率为12kHz,主轴转速1797r/min。在该转速下,轴承外圈故障频率为fo=107.4Hz。图5为该信号对应的包络频谱。尽管可以看到外圈故障频率的出现,但与其相近的频率噪声成分依旧存在,干扰了故障识别。利用本发明提出的时变奇异值方法对该信号处理,具体步骤为:
1、为提高计算效率,首先对信号进行4倍降采样。
2、通过希尔伯特变换计算仿真信号的包络信号。
3、取窗长k=2500,截取包络信号的片段。对每个信号片段构造对应的汉克矩阵,并对汉克矩阵进行奇异值分解,提取奇异值序列。
4、将每个片段所对应的奇异值序列按列排列,得到该信号的时变奇异值矩阵。
5、根据发明内容的步骤(5)和(6)计算该信号的奇异值-频谱分布如图6所示。
6、分析第二个奇异值所对应频谱(如图7所示),可以看到明显的故障频率107Hz,相比原始信号,相近的频率噪声已经消除,此外,故障频率的二次、三次谐波频率成分清晰可见。这些事实表明该信号存在外圈故障,与实际情况吻合。从对该实验信号分析结果来看,时变奇异值算法在提取信号周期性成分,抑制噪声方面作用明显。
Claims (1)
1.一种基于时变奇异值分解的周期性暂态信号的检测方法,其特征在于:在待检测设备前方安置麦克风传感器用于记录设备发出的声学信号作为检测信号,对检测信号进行分析,具体步骤如下:
步骤(1)、通过希尔伯特变换计算检测信号x(t)的包络信号y(t);
步骤(2)、对信号进行加窗处理,可得信号片段为:
其中,yi为包络信号的第i个数据点,k为信号片段长度;
步骤(3)、对每个信号片段构造对应的汉克矩阵:
步骤(4)、对每个汉克矩阵进行奇异值分解,获取每个信号片段所对应的奇异值序列,将该奇异值序列按列排列,可得到信号y(t)的时变奇异值矩阵:
其中,列向量[σ1,i,σ2,i,…,σp,i]T表示第i个汉克矩阵H(Yi k)的奇异值序列,N表示信号y(t)的长度,p表示矩阵H(Yi k)的秩;
步骤(5)、计算时变奇异值矩阵第2j行和第2j-1行的差值,j=1,2,…,p/2,并对其使用快速傅里叶变换求取其频谱;
步骤(6)、将该频谱的频率轴缩小为原来的1/2,通过分析奇异值-频谱分布检测所淹没的特征频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610520811.3A CN106226077B (zh) | 2016-07-01 | 2016-07-01 | 一种基于时变奇异值分解的周期性暂态信号的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610520811.3A CN106226077B (zh) | 2016-07-01 | 2016-07-01 | 一种基于时变奇异值分解的周期性暂态信号的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106226077A CN106226077A (zh) | 2016-12-14 |
CN106226077B true CN106226077B (zh) | 2018-08-21 |
Family
ID=57519179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610520811.3A Active CN106226077B (zh) | 2016-07-01 | 2016-07-01 | 一种基于时变奇异值分解的周期性暂态信号的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106226077B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840670B (zh) * | 2016-12-29 | 2019-08-27 | 中国科学技术大学 | 一种基于多尺度短时光滑分析的周期瞬态信号检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN105181336A (zh) * | 2015-10-30 | 2015-12-23 | 东南大学 | 一种用于轴承故障诊断的特征选取方法 |
-
2016
- 2016-07-01 CN CN201610520811.3A patent/CN106226077B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
CN105181336A (zh) * | 2015-10-30 | 2015-12-23 | 东南大学 | 一种用于轴承故障诊断的特征选取方法 |
Non-Patent Citations (2)
Title |
---|
Tmie-varying singular value decomposition:an application on speech-like signals;LFMT Bosch;《1991 International Conference on acoustics》;19911231;第3197-3200页 * |
基于SVM的旋转机械故障诊断方法;刘永斌等;《计算机工程》;20120330;第38卷(第5期);第233-235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106226077A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN101919695B (zh) | 一种基于小波变换的心电信号qrs波检测方法 | |
CN103584854B (zh) | 心电信号r波的提取方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN106546892A (zh) | 基于深度学习的局部放电超声音频识别方法及*** | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
Yi et al. | Mechanical compound faults extraction based on improved frequency domain blind deconvolution algorithm | |
CN104459809A (zh) | 一种基于独立成分分析的全波核磁共振信号噪声滤除方法 | |
CN105094111A (zh) | 基于联合降噪和经验模态分解的控制***健康状态分析方法 | |
CN107436451B (zh) | 一种自动计算地震数据光缆耦合噪声强弱程度的振幅谱方法 | |
Peng et al. | Time–frequency data fusion technique with application to vibration signal analysis | |
CN102928225A (zh) | 一种针对滚动轴承故障诊断的自适应共振解调方法 | |
CN104408288A (zh) | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 | |
Zhou et al. | An improved automatic picking method for arrival time of acoustic emission signals | |
CN103512765A (zh) | 一种血型离心机变学习速率小波bp神经网络故障检测方法 | |
CN109409341A (zh) | 一种近场的航空发动机噪声源辨识方法 | |
Du et al. | Optimum IMFs selection based envelope analysis of bearing fault diagnosis in plunger pump | |
CN105909979B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 | |
CN106226077B (zh) | 一种基于时变奇异值分解的周期性暂态信号的检测方法 | |
CN102988041A (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
CN109100813B (zh) | 一种基于协同滤波消除地面核磁共振数据中尖峰噪声的方法 | |
CN111709279B (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
CN105928666B (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
Shengqiang et al. | Kernel principal component analysis fault diagnosis method based on sound signal processing and its application in hydraulic pump |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |