下载文档原格式
一种基于参数优化变分模态分解的滚动轴承故障特征提取方法English:A method for extraction of fault features in rolling bearing based on parameter-optimized variational mode decomposition (VMD) is proposed in this study. VMD is a signal processing technique, which decompose a signal into a sum of mode functions. The VMD method is improved by introducing parameter optimization, which aims to find the optimal parameters for VMD in order to better adapt to the characteristics of bearing fault signals. The optimized VMD is then used to decompose the vibration signals collected from rolling bearings, and the fault features are extracted from the intrinsic mode functions (IMFs) generated by VMD. The proposed method is able to effectively extract fault features from bearing vibration signals, and it has the potential to improve the accuracy of fault diagnosis in rolling bearings.中文翻译:本研究提出了一种基于参数优化变分模态分解（VMD）的滚动轴承故障特征提取方法。
基金项目:国家自然科学基金资助项目(50875086);广州市科技计划资助项目(2008J 1-C101)收稿日期:2010年10月轴承振动信号中调幅特征的奇异值分解提取方法邹春华1,赵学智21广州(从化)亨龙机电制造实业有限公司; 2华南理工大学摘要:滚道损伤会在轴承振动中引起调幅现象,但当损伤较轻微或者噪声干扰较严重时,这种特征难以显现出来。
提出利用奇异值分解(Singular value decomposi tion,SVD)来提取这种调幅特征。
在Hankel 矩阵方式下,SVD 可将信号分解为一系列分量信号的简单线性叠加。
利用这一特性,对轴承振动信号构造Hankel 矩阵并进行S VD 处理,通过选择合适的分量进行简单相加,从一个复杂的信号中准确提取了清晰的调幅特征信息,据此确定了载波和调幅波频率,并结合轴承参数对滚道损伤状况做出了准确的判断,这种特征提取效果远优于带通滤波器的处理结果。
关键词:奇异值分解;轴承振动;滚道损伤;调幅;特征提取中图分类号:TN911.7;TH165.3 文献标志码:AMethod of Singular Value Decomposition for Extraction of AmplitudeModulation Feature of Bearing Vibration SignalZou Chunhua,Zhao XuezhiAbstract:Amplitude modulation will be caused in bearing vibration if roll track is injured,but this modulati on phenomenon is hidden in the raw vibration signal when injury is slight or there is noise interference,and singular value decomposition (SVD)is proposed to extract this modulation feature.By virtue of the Hankel matrix,SVD can decompose a signal into the linear superposi tion of a series of component signals.This characteristic being utilized,for a complicated vibration signal of beari ng ,a Hankel ma trix is created usi ng this signal and is processed by SVD,then the front several component signals are selected to be added togeth er,and the result shows that the clear ampli tude modulation signal is got,frequencies of the carrier and the modulated wave are both precisely ob tained,and the reliable diagnosis conclusion for roll track injury state is also made according to this feature sig nal.This feature extraction effect of SVD is much better than that of band pass filter.Keywords:singular value decomposition;bearin g vibration;injury of roll track;amplitude modulation;feature extraction1 引言滚动轴承是机械设备中最为常见、也是最容易损坏的元件之一。
基于奇异值分解和支持向量机的滚动轴承故障模式识别陆爽
【期刊名称】《农业工程学报》
【年(卷),期】2007(23)4
【摘要】提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法.对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键.奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量,而支持向量机可以完成模式识别和非线性回归.利用上述原理根据轴承振动信号的变化特征,采用奇异值分解对其提取状态主特征矢量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态,并且对未知故障有良好的识别能力.与常用的人工神经网络方法相比,该诊断方法具有更好的有效性、鲁棒性和精确性.
【总页数】5页(P115-119)
【作者】陆爽
【作者单位】浙江师范大学交通学院,金华,321019
【正文语种】中文
【中图分类】TH133.3;TP181
【相关文献】
1.基于图像奇异值分解的滚动轴承故障模式识别 [J], 秦海勤;徐可君;隋育松;孟照国
2.基于小波包和支持向量机的滚动轴承故障模式识别 [J], 田野;陆爽
3.基于奇异值分解和共振解调的滚动轴承故障特征提取 [J], 张安;马增强;陈明义;李俊峰
4.基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断 [J], 李继猛;李铭;姚希峰;王慧;于青文;王向东
5.基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断 [J], 孟宗;刘子涵;吕蒙因版权原因，仅展示原文概要，查看原文内容请购买。
第１３卷㊀第８期Ｖｏｌ．１３Ｎｏ．８㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年８月㊀Ａｕｇ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０８－０２０９－０５中图分类号：ＴＰ３９１文献标志码：Ａ轴承故障诊断特征提取方法研究李志伟，曹㊀乐（上海工程技术大学电子电气工程学院，上海２０１６２０）摘㊀要：针对轴承故障特征难以提取和分类的问题，提出了基于经验模态分解（ＥＭＤ）和支持向量机（ＳＶＭ）的故障诊断分类方法㊂首先利用ＥＭＤ将原始信号进行分解，得到若干个固有模态函数（ＩＭＦ）分量，选取前６个固有模态函数的能量值作为输入特征向量，利用ＳＶＭ多故障分类器对滚动轴承正常㊁滚珠故障㊁内圈故障㊁外圈故障四种状态进行诊断识别㊂实验表明，基于ＥＭＤ和ＳＶＭ的故障诊断方法可对轴承故障进行特征提取并有效识别轴承典型故障类型，实现轴承故障诊断分类㊂关键词：经验模态分解；特征提取；支持向量机；故障诊断ＲｅｓｅａｒｃｈｏｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｏｆｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓＬＩＺｈｉｗｅｉ，ＣＡＯＬｅ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅ，Ｓｈａｎｇｈａｉ２０１６２０，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｅｘｔｒａｃｔａｎｄｃｌａｓｓｉｆｙｂｅａｒｉｎｇｆａｕｌｔｆｅａｔｕｒｅｓ，ａｆａｕｌｔｄｉａｇｎｏｓｉｓａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＭＤ）ａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ＥＭＤｉｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｏｒｉｇｉｎａｌｓｉｇｎａｌｔｏｏｂｔａｉｎｓｅｖｅｒａｌｉｎｔｒｉｎｓｉｃｍｏｄａｌｆｕｎｃｔｉｏｎ（ＩＭＦ）ｃｏｍｐｏｎｅｎｔｓ，ａｎｄｔｈｅｅｎｅｒｇｙｖａｌｕｅｓｏｆｔｈｅｆｉｒｓｔｓｉｘｉｎｔｒｉｎｓｉｃｍｏｄａｌｆｕｎｃｔｉｏｎｓａｒｅｓｅｌｅｃｔｅｄａｓｉｎｐｕｔｅｉｇｅｎｖｅｃｔｏｒｓ．ＳＶＭｍｕｌｔｉｆａｕｌｔｃｌａｓｓｉｆｉｅｒｉｓｕｓｅｄｔｏｄｉａｇｎｏｓｅａｎｄｉｄｅｎｔｉｆｙｆｏｕｒｓｔａｔｅｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇ：ｎｏｒｍａｌ，ｂａｌｌｆａｕｌｔ，ｉｎｎｅｒｒｉｎｇｆａｕｌｔａｎｄｏｕｔｅｒｒｉｎｇｆａｕｌｔ，ＴｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＥＭＤａｎｄＳＶＭｃａｎｅｘｔｒａｃｔｔｈｅｆｅａｔｕｒｅｓｏｆｂｅａｒｉｎｇｆａｕｌｔｓａｎｄｅｆｆｅｃｔｉｖｅｌｙｉｄｅｎｔｉｆｙｔｈｅｔｙｐｉｃａｌｆａｕｌｔｔｙｐｅｓｏｆｂｅａｒｉｎｇｓ，ｔｈｕｓｒｅａｌｉｚｉｎｇｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ．ʌＫｅｙｗｏｒｄｓɔｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ基金项目：国家自然科学基金（６１７０３２７０）㊂作者简介：李志伟（１９９５－），男，硕士研究生，主要研究方向：控制工程；曹乐（１９８６－），男，博士，副教授，硕士生导师，主要研究方向：惯性传感与导航定位㊁精密生物医疗仪器㊁智能控制与工业互联网㊂通讯作者：曹㊀乐㊀㊀Ｅｍａｉｌ：ｃａｏｌｅ０００１２＠１６３．ｃｏｍ收稿日期：２０２２－０９－０１０㊀引㊀言随着机械设备日趋精密化㊁复杂化㊁智能化，高精度设备零部件之间的关联性更加密切㊂滚动轴承作为机械设备中常用的零部件，由于轴承长期处于工作状态，运行条件较为恶劣，所以轴承成为最容易出现故障的零部件之一㊂一旦轴承出现故障，将导致整个设备无法使用，甚至会引发事故，造成人员伤亡与财产的巨大损失㊂因此基于轴承建立设备健康检测体系，对其故障进行诊断具有重要意义㊂轴承发生故障后，其运行引起的振动信号是非线性㊁非稳定的，常用的故障特征提取方法包括时域分析㊁小波变换㊁神经网络等㊂利用傅里叶变换等平稳信号处理方法的效果往往不理想；小波变换因小波基选取困难，无法找到相对理想的故障特征；神经网络方法需要大数据样本进行训练，很难在小样本下实现故障诊断㊂经验模态分解作为一种时频域信号处理方法［１］，可将非线性信号分解成一系列表征信号特征时间尺度的固有模态函数，准确估计每个ＩＭＦ分量的瞬时特征㊂刘剑生等学者［２］利用ＥＭＤ和ＢＰ神经网络结合进行齿轮故障诊断，可有效降低训练误差并减少迭代次数㊂钟岳等学者［３］利用ＥＭＤ将液压系统故障信号分解成多个ＩＭＦ分量，然后利用奇异值分解（ＳＶＤ）得到特征向量，并通过小波分析与Ｈｉｂｅｒｔ－Ｈｕａｎｇ变换获得不同的特征信号进行对比，实验表明基于ＥＭＤ－ＳＶＤ变换的故障特征提取方法取得最佳的识别效果㊂陈之恒等学者［４］采用粒子群优化ＢＰ神经网络，将ＥＭＤ分解的ＩＭＦ分量与时域特征参数结合，共同组成特征参数矩阵，运用主成分分析验证特征提取的有效性，实验表明基于ＥＭＤ和ＰＳＯ优化ＢＰ神经网络的方法有效提高了点击轴承故障的识别精度㊂在机械故障诊断中，神经网络方法对故障的分类效果较好，但其所需的训练和测试样本数量较大，在实际条件下大量数据很难获取㊂支持向量机理论是一种基于数理统计的机器学习方法，具有较好的泛化能力和小样本的处理能力，被广泛应用于故障诊断等领域㊂１㊀ＥＭＤ算法基本原理为保证ＩＭＦ分量具备物理意义，固有模态函数中必须保证２个相邻的零点之间有且只有一个极值点，这使得信号求出的瞬时频率始终保持大于０，该种定义方法使得固有模态函数更符合实际信号特点，突破了窄带信号的壁垒［５－６］㊂具备物理意义的ＩＭＦ必须满足２个必要条件：（１）函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个㊂（２）在任意时刻点，局部最大值点所形成的包络线（上包络线）与局部最小值点所形成的包络线（下包络线）关于时间轴局部对称㊂ＥＭＤ分解过程如下：步骤１㊀假设原始信号为ｘ（ｔ），求出ｘ（ｔ）的全部极值点，通过对极大值㊁极小值进行三次样条插值得到上下包络线㊂步骤２㊀上包络线减去下包络线求取均值，可得到原始信号ｘ（ｔ）的均值信号ｍ（ｔ），将ｍ（ｔ）从原始信号ｘ（ｔ）中减掉，即可得到新的信号ｈ１（ｔ）㊂由此推得的公式如下：ｈ１（ｔ）＝ｘ（ｔ）－ｍ（ｔ）（１）㊀㊀步骤３㊀通常情况下ｈ１（ｔ）不是ＩＭＦ分量，因此不断重复步骤１到步骤２，直至ｈｉ（ｔ）满足ＩＭＦ分量定义㊂即新信号不再能构成包络线或者均值信号ｍ（ｔ）趋于０㊂由此推得的公式如下：ｈｉ（ｔ）＝ｈｉ－１（ｔ）－ｍ（ｔ）（２）㊀㊀可将ｈｉ（ｔ）视为第一个ＩＭＦ分量ｉｍｆ１㊂步骤４㊀ｘ（ｔ）减去ｈｉ（ｔ）即可得到余项ｒｉ（ｔ）㊂由此推得的公式如下：ｒｉ（ｔ）＝ｘ（ｔ）－ｈｉ（ｔ）（３）㊀㊀步骤５㊀余项ｒｉ（ｔ）重复上述步骤１ ４，直至余项ｒｉ（ｔ）单调㊂综上，原始信号分解过程全部结束，原始信号可用分解出的所有ＩＭＦ分量与余项之和表示［７］，即：ｘ（ｔ）＝ðｋｉ＝１ｉｍｆｋ（ｔ）＋ｒｋ（ｔ）（４）２㊀ＳＶＭ算法原理支持向量机（ＳＶＭ）是一种风险最小化的最佳值折中算法［８－９］㊂通过寻找最优分类超平面，使得这个超平面到２类样本集的距离之和最大化，即分类效果最大化㊂支持向量机包含线性㊁非线性两种类型，对线性的样本集主要通过线性分割线对数据样本进行分割，保证误差最小和置信范围最小，对非线性样本主要选择合适的映射函数，将线性不可分问题转化成线性可分问题㊂其原理如图１所示㊂最优超平面被分割的负样本区域被分割的正样本区域图１㊀支持向量机原理图Ｆｉｇ．１㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ㊀㊀假设训练样本为（ｘ１，ｙ１，）， ，（ｘｌ，ｙｌ，），其中ｘɪＲｎ，ｙɪ（＋１，－１），通过计算分类间隔问题将最优分类面问题转化成最优化问题：即满足以下最小化函数：ϕ（ω）＝１２ ω ２＝１２（ωＴ．ω）（５）㊀㊀通过引入广义拉格朗日乘子解决此约束最优化问题：Ｌ＝１２ ω ２－ðｌｉ＝１αｉｙｉ（ｘｉ．ω＋ｂ）＋ðｌｉ＝１αｉ（６）㊀㊀通过αｉ求解函数的极大值：Ｗ（α）＝ðｌｉ＝１αｉ－１２ðｌｉ，ｊ＝１αｉαｊｙｉｙｊ（ｘｉ．ｘｊ）（７）㊀㊀最终得到线性最优分类函数：ｆ（ｘ）＝ｓｇｎðｌｉ＝１ｙｉα∗ｉ（ｘｉ．ｘ）＋ｂ∗{}（８）㊀㊀其中，ω为最优分隔面的权重系数；ｂ∗为偏置；αｉ为拉格朗日乘子㊂若样本集线性不可分，则需引用核函数代替原空间的内积，将线性不可分问题转化成线性可分问题［１０］，引入松弛变量ξｉȡ０，则：０１２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀ｙｉ（ω．ｘｉ）＋ｂ[]ȡ１－ξｉ㊀ｉ＝１，２， ，ｌ（９）㊀㊀最终得到线性最优分类函数：ｆ（ｘ）＝ｓｇｎðｌｉ＝１ｙｉα∗ｉＫ（ｘｉ．ｘ）＋ｂ∗{}（１０）㊀㊀常用的支持向量机核函数有线性核函数㊁多项式核函数㊁ＲＢＦ核函数㊁ｓｉｇｍｏｉｄ核函数，ＲＢＦ核函数具有较高的泛化性和分类准确率，故采用ＲＢＦ核函数㊂在使用ＲＢＦ核函数的情况下，一般需要优化的参数有：ｃ和ｇ㊂其中，ｃ是惩罚系数，ｇ是ＲＢＦ的系数，ｇ的取值直接影响到能否找到一个可将多类数据分开的最优超平面，因此，在交叉验证过程中使用简单的网格算法找到最佳的ｃ和ｇ㊂基于ＥＭＤ能量值分析，结合ＳＶＭ方法对齿轮箱故障进行特征提取和分类，具体流程如图２所示㊂轴承故障信号E M D 分解I MF 分量能量值训练样本测试样本多分类S V M 分类器故障分类得到故障分类结果多分类S V M 分类器图２㊀滚动轴承故障诊断流程图Ｆｉｇ．２㊀Ｆｌｏｗｃｈａｒｔｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ３㊀基于ＥＭＤ能量值和ＳＶＭ的故障诊断方法３．１㊀振动信号采集本文采用的是人工预先设置故障的试验方案㊂对智能小车平台驱动轴轴承进行加工处理，模拟正常㊁滚珠故障㊁内圈故障㊁外圈故障，将预先设置故障的轴承安装到智能小车的驱动轴进行测试，采集驱动轴轴承的振动信号数据㊂智能小车驱动轴轴承型号为Ｚ１０２９，尺寸为１２ｍｍˑ３２ｍｍˑ１０ｍｍ，单列滚动体，使用人工预先设置故障模拟故障类型，采样频率为１．６ｋＨｚ，电机负载（ＨＰ）为０㊂对故障信号进行采集，运行５ｍｉｎ后得到４８万个有效数据，将４８万个数据分成１００份，前８０组数据用于训练，后２０组数据用于测试㊂总共模拟４种典型故障类型，包括正常㊁滚珠故障㊁内圈故障和外圈故障，如图３所示㊂(a )正常轴承(b )模拟滚珠故障(c )模拟外圈故障(d )模拟内圈故障图３㊀４种典型故障Ｆｉｇ．３㊀Ｆｏｕｒｔｙｐｉｃａｌｆａｕｌｔｓ３．２㊀ＥＭＤ特征提取利用经验模态分解将正常信号㊁滚珠故障㊁内圈故障㊁外圈故障信号进行分解，得到各个ＩＭＦ分量㊂研究后得到的正常信号ＩＭＦ分量如图４所示，滚珠故障信号ＩＭＦ分量如图５所示，内圈故障信号ＩＭＦ分量如图６所示，外圈故障信号ＩＭＦ分量如图７所示㊂正常信号I M F 1I M F 2I M F 3I M F 4I M F 5I M F 6I M F 7I M F 8I M F 9I M F 10余项00000000000.51.01.52.02.510-310-3?10-3104图４㊀正常信号ＩＭＦ分量图Ｆｉｇ．４㊀ＩＭＦｃｏｍｐｏｎｅｎｔｄｉａｇｒａｍｏｆｎｏｒｍａｌｓｉｇｎａｌ１１２第８期李志伟，等：轴承故障诊断特征提取方法研究滚珠故障信号I M F 1I M F 2I M F 3I M F 4I M F 5I M F 6I M F 7I M F 8I M F 9I M F 10余项000000000000.51.01.52.02.510410-310-310-310-3图５㊀滚珠故障信号ＩＭＦ分量图Ｆｉｇ．５㊀ＩＭＦｃｏｍｐｏｎｅｎｔｄｉａｇｒａｍｏｆｂａｌｌｆａｕｌｔｓｉｇｎａｌ内圈故障信号I M F 1I M F 2I M F 3I M F 4I M F 5I M F 6I M F 7I M F 8I M F 9I M F 10余项00000000000000.51.01.52.02.5104图６㊀内圈故障信号ＩＭＦ分量图Ｆｉｇ．６㊀ＩＭＦｃｏｍｐｏｎｅｎｔｄｉａｇｒａｍｏｆｉｎｎｅｒｒｉｎｇｆａｕｌｔｓｉｇｎａｌ㊀㊀由图４ 图７可知，ＥＭＤ将信号分解成多个ＩＭＦ分量和余项，不同的ＩＭＦ分量表征不同的时间特征尺度，从第一个ＩＭＦ分量开始频率逐渐降低，直至余项单调㊂通常情况下，信号的重要信息与特征集中于高频段，另外也可以看出不同故障类型的ＩＭＦ分量显然是不同的㊂综上，可将前６个ＩＭＦ分量的能量值信息作为特征值㊂３．３㊀ＳＶＭ分类基于经验模态分解后的ＩＭＦ分量的能量值作为特征向量训练，选取４种状态的８０组数据进行训练，分类结果如图８所示㊂各诊断方法得到的故障识别率见表１㊂外圈故障信号I M F 1I M F 2I M F 3I M F 4I M F 5I M F 6I M F 7I M F 8I M F 9I M F 10余项0.51.01.52.02.5?10-310-3104图７㊀外圈故障信号ＩＭＦ分量图Ｆｉｇ．７㊀ＩＭＦｃｏｍｐｏｎｅｎｔｄｉａｇｒａｍｏｆｏｕｔｅｒｒｉｎｇｆａｕｌｔｓｉｇｎａｌ实际测试集分类预测测试集分类4.03.53.02.52.01.51.001020304050607080测试集样本类别标签测试集的实际分类和预测分类图图８㊀基于ＥＭＤ－ＳＶＭ故障分类结果Ｆｉｇ．８㊀ＦａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎＥＭＤ－ＳＶＭ表１㊀各诊断方法的故障识别率Ｔａｂ．１㊀Ｆａｕｌｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｒａｔｅｏｆｅａｃｈｄｉａｇｎｏｓｉｓｍｅｔｈｏｄ％故障类型正常滚珠内圈外圈分类准确率／％１００９０９０９５㊀㊀由图８和表１可知，ＳＶＭ分类器模型对正常类型实现１００％的分类准确率，滚珠故障和内圈故障类型实现９０％分类准确率，外圈类型均实现９５％的分类准确率，本文提出的ＥＭＤ－ＳＶＭ的故障诊断方法分类准确率较高，证明该方法的有效性㊂４㊀结束语故障诊断技术是一门交叉性学科，近年来在航天㊁化工㊁石油和工程机械等领域发挥着越来越重要的作用㊂滚动轴承故障检测一直是机械设备领域亟需解决的热点课题㊂本文通过人工模拟滚动轴承故２１２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀障类型，模拟正常㊁滚珠故障㊁内圈故障㊁外圈故障，将预先设置故障的轴承安装到智能小车的驱动轴进行测试，采集驱动轴轴承的振动信号数据，该方法先将不同故障类型的时域振动信号进行ＥＭＤ分解，再提取训练样本数据中不同维数的能量作为特征向量㊁选用径向基核函数方法建立ＳＶＭ模型，最后对测试样本数据中的特征向量进行故障识别㊂试验结果表明，在本文中人工模拟滚动轴承故障类型经过ＥＭＤ－ＳＶＭ分类后平均分类准确率达到９３．７５％，能够准确识别轴承的不同故障类型，为轴承的早期故障提供参考㊂参考文献［１］郭志超，朱敏，王荟荟．ＥＭＤ－ＳＶＭ结合对风机齿轮箱振动检测与故障诊断［Ｊ］．郑州师范教育，２０２０，９（０４）：６－９．［２］刘剑生，王细洋．基于ＥＭＤ与ＢＰ神经网络的齿轮故障诊断［Ｊ］．失效分析与预防，２０２０，１５（０６）：３７０－３７５，３９２．［３］钟岳，王钊，方虎生，等．基于ＥＭＤ－ＳＶＤ的液压系统故障模糊聚类研究［Ｊ］．机电工程技术，２０２０，４９（１１）：１０４－１０８．［４］陈之恒，宋冬利，张卫华，等．基于ＥＭＤ及改进ＰＳＯ＿ＢＰ的电机轴承故障诊断［Ｊ］．测控技术，２０２０，３９（１１）：３３－３８，１２５．［５］唐静，王二化，朱俊，等．基于ＥＭＤ和ＳＶＭ的齿轮裂纹故障诊断研究［Ｊ］．机床与液压，２０２０，４８（１４）：２００－２０４．［６］贺志晶，王兴，李凯，等．基于ＦＩＲ－ＥＭＤ和改进ＳＶＭ的铁路轴承故障诊断［Ｊ］．噪声与振动控制，２０１７，３７（０２）：１４３－１４７．［７］彭松，黄志辉，胡奇宇．基于ＥＭＤ与ＳＶＭ的地铁列车滚动轴承故障诊断方法分析［Ｊ］．科技创新与应用，２０１６（２３）：３６．［８］ＶＡＰＮＩＫＶ．Ｎａｔｕｒｅｏｆｓｔａｔｉｓｔｉｃａｌｌｅａｒｎｉｎｇｔｈｅｏｒｙ［Ｍ］．ＵＳ：ＳｐｒｉｎｇｅｒＳｃｉｅｎｃｅ＆ＢｕｓｉｎｅｓｓＭｅｄｉａ，１９９９．［９］王红军，徐小力．支持向量机在设备故障诊断方面的应用研究概述［Ｊ］．机械设计与制造，２００５（０９）：１５７－１５９．［１０］马玉猛．基于ＥＭＤ和ＰＳＯ－ＳＶＭ的通用航空飞机燃油流量预测［Ｊ］．滨州学院学报，２０２２，３８（０４）：２０－２４．［１１］陈炳光．基于ＥＭＤ和ＳＶＭ煤矿通风机轴承故障诊断的研究［Ｄ］．徐州：中国矿业大学，２０１８．（上接第２０８页）５ 结束语本文针对赛道识别问题，提出了一种基于ＵＮｅｔ模型的赛道识别方法，使用ＵＮｅｔ模型分割后的掩码图像提取赛道的边缘信息，再用细化算法求取中点集㊂本文对ＵＮｅｔ模型的框架和原理进行了简单阐述，并通过时效性分析，发现了模型存在的初始运行慢问题，通过准确度分析实验，发现相比于传统赛道识别方法，本文方法在不同环境下的赛道识别有了很大的提升㊂后续需要继续研究结构和算法的改进，进一步提升新方法的时效性和准确率㊂参考文献［１］黄俊嘉，余志贤，陈锐，等．基于特征分类的智能汽车赛道元素识别算法［Ｊ］．计算机产品与流通，２０１８（０３）：１２７，１２９．［２］吴绪辉，潘璇峰，邓伟杰．基于图像分割匹配的赛道元素识别算法［Ｊ］．物联网技术，２０１９，９（１１）：２５－２７．［３］俞洋，李峰，缪奕扬．基于机器视觉的全元素赛道智能小车实验系统设计与应用［Ｊ］．中南民族大学学报（自然科学版），２０２２，４１（０６）：６８９－６９６．［４］柴志忠．基于深度卷积神经网络的病理影像研究［Ｄ］．厦门：厦门大学，２０１９．［５］王宁．基于改进ＹＯＬＯ网络与极限学习机的绝缘子故障检测［Ｄ］．大庆：东北石油大学，２０２１．［６］韩俊文．基于ＯｐｅｎＣＶ３的焊缝轨迹识别系统［Ｊ］．电子技术与软件工程，２０１８（１８）：４３－４４．［７］徐奎奎．基于深度学习的合金组织缺陷检测及应用研究［Ｄ］．石家庄：河北经贸大学，２０２２．［８］姜萍萍，颜国正，丁国清，等．一种便携式工业视频内窥镜的开发［Ｊ］．光学精密工程，２００２（０４）：４０７－４１０．［９］汪欢．无源毫米波图像序列超分辨重建算法研究［Ｄ］．成都：电子科技大学，２０１４．［１０］李易．多类型车道线的检测与识别方法研究［Ｄ］．西安：西安石油大学，２０２１．３１２第８期李志伟，等：轴承故障诊断特征提取方法研究。
奇异值分解结合频率切片小波变换的轴承故障提取方法周福成;唐贵基;王晓龙;廖兴华【期刊名称】《自动化仪表》【年(卷),期】2016(037)010【摘要】针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点，提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。
首先利用原始信号构造Hankel矩阵，根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理；继而利用频率切片小波对降噪信号进行分析，得到全频带时频图后，对能量集中的时频区域进行细化分析；通过频率切片小波逆变换得到相应的重构信号；最终可以从重构信号的波形图中提取出轴承故障特征频率信息。
仿真信号和实测信号分析表明，该方法能够实现滚动轴承运行状态的准确判别，对实际工程应用具有重要意义。
【总页数】5页(P19-22,26)【作者】周福成;唐贵基;王晓龙;廖兴华【作者单位】华北电力大学科技学院1，河北保定 071003;华北电力大学能源动力与机械工程学院2，河北保定 071003;华北电力大学能源动力与机械工程学院2，河北保定 071003;湖南雁能建设集团有限公司输电工程分公司3，湖南衡阳421000【正文语种】中文【中图分类】TH13;TP29【相关文献】1.奇异值分解结合频率切片小波的齿轮故障特征提取 [J], 周福成;唐贵基;廖兴华2.基于小波变换与奇异值分解的滚动轴承故障诊断 [J], 刘鲲鹏;苏涛;白云川;吕麒鹏;郑建波3.基于小波变换与奇异值分解的滚动轴承故障诊断 [J], 刘鲲鹏;苏涛;白云川;吕麒鹏;郑建波;4.基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取 [J], 马增强;张俊甲;张安;阮婉莹5.基于自适应频率切片小波变换的滚动轴承故障诊断 [J], 马朝永;盛志鹏;胥永刚;张坤因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取孟宗;谷伟明;胡猛;熊景鸣【期刊名称】《计量学报》【年(卷),期】2016(037)004【摘要】针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法.首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性.【总页数】5页(P406-410)【作者】孟宗;谷伟明;胡猛;熊景鸣【作者单位】燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004;燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004;燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004;燕山大学河北省测试计量技术及仪器重点实验室,河北秦皇岛066004【正文语种】中文【中图分类】TB936【相关文献】1.基于奇异值分解和共振解调的滚动轴承故障特征提取 [J], 张安;马增强;陈明义;李俊峰2.基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断 [J], 李继猛;李铭;姚希峰;王慧;于青文;王向东3.基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法 [J], 汤宝平;蒋永华;张详春4.基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法 [J], 王建国;李健;万旭东5.基于奇异值分解与最优Morlet小波的微弱故障特征提取方法研究 [J], 魏军辉;冯昌林因版权原因，仅展示原文概要，查看原文内容请购买。
基于滑移向量序列奇异值分解的滚动轴承故障诊断研究一、本文概述本文旨在探讨基于滑移向量序列奇异值分解（SVD）的滚动轴承故障诊断方法。
滚动轴承作为机械设备中的关键部件，其运行状态直接影响设备的整体性能和安全性。
然而，由于工作环境的恶劣、长期运行导致的磨损和疲劳等因素，滚动轴承常常出现故障。
因此，研究有效的滚动轴承故障诊断方法对于保障设备正常运行、预防事故发生具有重要意义。
传统的滚动轴承故障诊断方法主要基于振动信号分析，但由于滚动轴承故障信号的非线性和非平稳性，传统的信号处理方法往往难以提取出有效的故障特征。
近年来，基于滑移向量序列奇异值分解（SVD）的方法在信号处理领域得到了广泛关注，该方法能够有效地提取信号中的奇异成分，对于滚动轴承故障诊断具有重要的应用价值。
本文首先介绍了滚动轴承故障的类型及其产生机理，分析了滚动轴承故障信号的特点和难点。
然后，详细介绍了滑移向量序列奇异值分解（SVD）的基本原理和方法，包括滑移向量序列的构造、奇异值分解的实现过程以及故障特征的提取方法。
在此基础上，本文提出了一种基于滑移向量序列奇异值分解的滚动轴承故障诊断方法，并通过实验验证了该方法的有效性。
本文的主要研究内容包括：滚动轴承故障信号的采集和处理，滑移向量序列的构造方法，奇异值分解的实现过程，故障特征的提取和分类，以及实验验证和结果分析。
通过本文的研究，旨在为滚动轴承故障诊断提供一种新的有效方法，为相关领域的实践和研究提供有益的参考。
二、滚动轴承故障诊断方法概述滚动轴承作为机械设备中的关键部件，其运行状态直接影响到整个设备的性能和寿命。
因此，对滚动轴承的故障诊断研究具有重要意义。
传统的滚动轴承故障诊断方法主要依赖于振动分析、声学分析、温度监测等手段，这些方法虽然在一定程度上能够实现故障诊断，但往往存在诊断精度不高、实时性不强等问题。
近年来，随着信号处理技术和技术的快速发展，基于滑移向量序列奇异值分解的滚动轴承故障诊断方法逐渐受到关注。
