陶 然, 許有才, 鄧方華, 郭 澍, 李新仕, 茍 敏, 李 琨, 王 華
(1.昆明理工大學(xué) 質(zhì)量發(fā)展研究院,昆明 600500; 2. 昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院,昆明 600500;3.云南省特種設(shè)備安全檢測(cè)研究院,昆明 650228)
基于SVD優(yōu)化LMD的電梯導(dǎo)靴振動(dòng)信號(hào)故障特征提取
陶 然1,3, 許有才2,3, 鄧方華2,3, 郭 澍3, 李新仕3, 茍 敏2, 李 琨2, 王 華1
(1.昆明理工大學(xué) 質(zhì)量發(fā)展研究院,昆明 600500; 2. 昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院,昆明 600500;3.云南省特種設(shè)備安全檢測(cè)研究院,昆明 650228)
針對(duì)局部均值分解(Local Mean Decomposition, LMD)方法提取電梯導(dǎo)靴振動(dòng)信號(hào)的故障特征分量時(shí)存在的模態(tài)混淆現(xiàn)象,本文提出了一種基于奇異值分解(Singular Value Decomposition, SVD)優(yōu)化局部均值分解(Local Mean Decomposition, LMD)的電梯導(dǎo)靴振動(dòng)信號(hào)故障特征提取方法。該方法以奇異值貢獻(xiàn)率原則構(gòu)造原始信號(hào)的Hankel矩陣,采用SVD對(duì)Hankel矩陣進(jìn)行分解;將曲率譜原則與奇異值貢獻(xiàn)率原則相結(jié)合對(duì)奇異值進(jìn)行選擇,將包含主要故障信息的奇異值進(jìn)行逆重構(gòu),得到剔除噪聲信號(hào)與光滑信號(hào)的突變信號(hào);并利用LMD方法對(duì)突變信號(hào)進(jìn)行故障特征提取,得到能夠突出原始信號(hào)振動(dòng)特征的故障特征分量。實(shí)例結(jié)果表明該方法有效改善了LMD的模態(tài)混淆現(xiàn)象,更準(zhǔn)確地提取了振動(dòng)信號(hào)的故障特征分量,為電梯導(dǎo)靴的故障診斷提供了一條有效的途徑。
電梯導(dǎo)靴;奇異值分解;局部均值分解;模態(tài)混淆;特征提取
電梯是特種設(shè)備的主要組成部分,近年來(lái)其安全事故頻發(fā),其安全狀態(tài)引發(fā)了社會(huì)的廣泛關(guān)注。導(dǎo)靴是在電梯導(dǎo)軌與轎廂之間滑動(dòng)的導(dǎo)向裝置,其主要作用是將轎廂固定在導(dǎo)軌上做上下運(yùn)動(dòng)。導(dǎo)靴作為垂直電梯的關(guān)鍵部件,其一旦發(fā)生故障輕則導(dǎo)致轎廂運(yùn)行顛簸、曳引繩磨損,重則導(dǎo)致轎廂變形、損壞導(dǎo)軌造成安全事故。
當(dāng)導(dǎo)靴發(fā)生故障時(shí),其振動(dòng)信號(hào)會(huì)表現(xiàn)出明顯的非線性、非平穩(wěn)性。對(duì)于非線性、非平穩(wěn)振動(dòng)信號(hào),需要采用合適的時(shí)頻分析方法提取故障特征分量[1]。常用的時(shí)頻分析方法有小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Model Decomposition, EMD)、局部均值分解(Local Mean Decomposition,LMD)等[2-3]。但是小波變換缺乏自適應(yīng)性,EMD方法雖然具有自適應(yīng)性,但是存在過(guò)包絡(luò)、欠包絡(luò)、端點(diǎn)效應(yīng)和無(wú)物理意義的負(fù)頻率等局限性[4]。相比EMD而言,LMD雖然具有端點(diǎn)效應(yīng)不明顯、虛假分量少,不會(huì)出現(xiàn)負(fù)頻率的優(yōu)點(diǎn),但其分解得到的乘積函數(shù)(Product Function, PF)分量中仍然存在模態(tài)混淆現(xiàn)象。模態(tài)混淆現(xiàn)象包括兩種情況:①一個(gè)PF分量中包含差異極大的兩種及兩種以上特征時(shí)間尺度信號(hào);②相近的特征時(shí)間尺度分布在不同的PF分量中。本文針對(duì)的是模態(tài)混淆現(xiàn)象的第二種情況,因?yàn)樽畲蟪潭鹊靥崛」收袭a(chǎn)生的特征時(shí)間尺度分量是故障識(shí)別的關(guān)鍵步驟。
為了更好地展現(xiàn)故障產(chǎn)生的特征時(shí)間尺度分量,本文對(duì)提取了信號(hào)的瞬時(shí)Teager能量譜。瞬時(shí)Teager能量譜能夠很好地突出信號(hào)的瞬時(shí)幅值變化,可以很好地展現(xiàn)LMD方法存在的模態(tài)混淆現(xiàn)象。
SVD(Singular Value Decomposition)具有良好的數(shù)值穩(wěn)健性與自適應(yīng)性,通過(guò)對(duì)奇異值分析能夠有效識(shí)別噪聲分量和故障特征分量。近年來(lái),該方法在信號(hào)處理[5]、數(shù)據(jù)挖掘[6]及故障診斷[7-9]等領(lǐng)域得到了廣泛應(yīng)用。本文將SVD的降噪濾波優(yōu)勢(shì)與LMD的故障特征提取優(yōu)勢(shì)相結(jié)合應(yīng)用于電梯導(dǎo)靴的故障診斷。通過(guò)對(duì)比試驗(yàn)表明,該方法有效提取了電梯導(dǎo)靴振動(dòng)信號(hào)的故障特征分量,有效改善了LMD的模態(tài)混淆現(xiàn)象,為電梯導(dǎo)靴的故障診斷提供了一個(gè)有效的參考方法。
電梯在正常運(yùn)行期間,導(dǎo)靴的振動(dòng)信號(hào)受工作環(huán)境的影響較多,例如,曳引機(jī)、排風(fēng)機(jī)、隨行電纜、補(bǔ)償鏈等部件。因此,采集的振動(dòng)信號(hào)具有強(qiáng)噪聲背景的特點(diǎn),如果僅直接采用LMD進(jìn)行故障特征分量提取,很難得到理想的故障特征時(shí)間尺度分量。因此,采用SVD對(duì)信號(hào)進(jìn)行預(yù)處理有利于改善LMD的模態(tài)混淆現(xiàn)象,提高導(dǎo)靴故障診斷準(zhǔn)確率。
1.1 SVD的基本理論
在信號(hào)處理領(lǐng)域,SVD是一種經(jīng)典的正交變換方法。該方法對(duì)任意一個(gè)行或列線性相關(guān)的矩陣,通過(guò)對(duì)其左、右分別相乘一個(gè)正交矩陣進(jìn)行變換,將原矩陣轉(zhuǎn)化為一個(gè)奇異值矩陣(對(duì)角矩陣),且得到的奇異值個(gè)數(shù)反映原矩陣中獨(dú)立行(列)矢量的個(gè)數(shù),而其大小表征了信號(hào)的內(nèi)在屬性。該算法具有良好的穩(wěn)定性和不變性,可用來(lái)對(duì)信號(hào)進(jìn)行降噪濾波、特征提取和弱信號(hào)分離等。根據(jù)SVD理論,對(duì)于一個(gè)矩陣A∈Rm×n,必存在正交矩陣U,V使得
(1)
式中,對(duì)角陣S=[diag[σ1,σ2,…,σq]0]或者其轉(zhuǎn)置。SVD具體內(nèi)容參見(jiàn)文獻(xiàn)[10]。
1.2 構(gòu)建吸引子軌跡矩陣
實(shí)驗(yàn)采集到的導(dǎo)靴振動(dòng)信號(hào)是行向量,而SVD理論處理的對(duì)象是二維矩陣。因此,需要采用適當(dāng)?shù)姆椒▽?dǎo)靴振動(dòng)信號(hào)構(gòu)造成合適的m×n維矩陣A。
構(gòu)造矩陣A的形式不同,則SVD處理的效果就不一樣。目前,構(gòu)造矩陣A的常用方法有兩種:①通過(guò)對(duì)信號(hào)的連續(xù)截?cái)鄟?lái)構(gòu)造矩陣;②構(gòu)造吸引子軌跡矩陣,及Hankel矩陣。這兩種方法的共同特點(diǎn)是:都可以將信號(hào)表示為一系列分量信號(hào)的線性疊加。而方法①矩陣得到的分量信號(hào)是彼此正交的,具有較好的頻率分辨率;方法②矩陣得到的分量信號(hào)雖然不具有正交性,卻有很好的去噪效果,可以獲得包含故障特征的高信噪比信號(hào)[11]。
為了獲得包含故障特征的高信噪比信號(hào),本文采用方法②將采集到的一維振動(dòng)信號(hào)X=[x1,x2,…,xN]構(gòu)造成m×n維Hankel矩陣A,采用奇異值貢獻(xiàn)率方法自適應(yīng)確定Hankel矩陣的維數(shù)m、n。
式中,1lt;nlt;N。令m=N-n+1,則A∈Rm×n,A∈Rm×n。
1.3 奇異值貢獻(xiàn)率
由SVD理論可知,其得到的分量所包含的信息量直接由相應(yīng)奇異值σk的大小決定,σk越大則表示該奇異值對(duì)應(yīng)分量的信息量越多。因此,可以定義奇異值貢獻(xiàn)率ηk來(lái)綜合衡量對(duì)應(yīng)分量的信息量[12]
(2)
根據(jù)奇異值貢獻(xiàn)率的大小自適應(yīng)確定Hankel矩陣的維數(shù)m、n的原則:若取一系列m值,隨著m增大,從某一貢獻(xiàn)率ηk開始后貢獻(xiàn)率都趨于零,則表明第k個(gè)分量之后的其他分量并沒(méi)有多大意義,此時(shí)可以確定矩陣行數(shù)m=k,而對(duì)于列數(shù),第一種矩陣為n=int(N/m),第二種矩陣為n=N-m+1。
1.4 奇異值曲率譜
對(duì)于離散奇異值曲線的曲率,首先將所有奇異值按照從大到小的順序構(gòu)造一個(gè)序列,記為S={σ1,σ2,…,σq};各點(diǎn)奇異值的曲率為
(3)
曲率譜的最大峰值坐標(biāo)位置,即奇異值曲線上最大曲率Ck處的坐標(biāo)位置。k可以作為有效奇異值和噪聲奇異值的分界點(diǎn),如果奇異值曲線在k點(diǎn)是凸出的,則有效奇異值為前k個(gè);如果奇異值曲線在k點(diǎn)是凹進(jìn)的,則有效奇異值為前k-1個(gè)[13]。因此,式(1)可以表示為:A=D+W,D為光滑信號(hào)與突變信號(hào)對(duì)應(yīng)的軌跡矩陣,W為噪聲對(duì)應(yīng)的軌跡矩陣[14]。為了將故障突變信號(hào)對(duì)應(yīng)的軌跡矩陣從D中分離出來(lái),本文再次采用奇異值貢獻(xiàn)率對(duì)D中的奇異值進(jìn)行自適應(yīng)選擇。由于奇異值貢獻(xiàn)率ηk越大,則該奇異值包含的故障突變信息越多。因此,可以從D中選擇若干個(gè)ηk較大的奇異值經(jīng)SVD逆運(yùn)算得到故障突變信號(hào)對(duì)應(yīng)的軌跡矩陣。因此式(1)可以表示為A=Q+D+W,Q為突變信號(hào)對(duì)應(yīng)的軌跡矩陣。根據(jù)Hankel矩陣的特點(diǎn),將Q的第一行與最后一列組成行(列)向量,就可以得到剔除光滑信號(hào)和噪聲后的突變信號(hào)。
1.5 局部均值分解
LMD方法是科研工作者Jonathan S.Smith于2005年,在EMD方法的研究基礎(chǔ)上提出的。LMD方法是一種基于局部時(shí)間尺度的振動(dòng)特征提取方法,即能從原始振動(dòng)信號(hào)中提取包含局部振動(dòng)特征的PF分量。與EMD相比,LMD是一種自適應(yīng)性更強(qiáng)、端點(diǎn)效應(yīng)不明顯的時(shí)頻分析方法,但由于信號(hào)具有間歇性且受噪聲的干擾,其仍然不能很好地從原始信號(hào)中提取突出原始信號(hào)局部振動(dòng)特征的特征時(shí)間尺度分量,即模態(tài)混淆現(xiàn)象[15]。因此,文獻(xiàn)[16]提出了一種總體局部均值分解方法,該方法雖然使模態(tài)混淆現(xiàn)象得到了一定了的改善,但是該方法加入了大量白噪聲并且殘留在提取到的PF分量中。因此該方法的分解效果存在較大的局限性。為了實(shí)現(xiàn)電梯導(dǎo)靴故障的準(zhǔn)確診斷,本文提出了一種基于SVD優(yōu)化LMD的故障特征提取方法。該方法通過(guò)使用SVD對(duì)信號(hào)進(jìn)行預(yù)處理,不僅保留了LMD時(shí)頻分析的優(yōu)勢(shì),而且有效改善了LMD的模態(tài)混淆現(xiàn)象。
LMD的實(shí)質(zhì)是從原始振動(dòng)信號(hào)中分離出純調(diào)頻信號(hào)和包絡(luò)信號(hào),將純調(diào)頻信號(hào)和包絡(luò)信號(hào)相乘便可以得到具有物理意義的PF分量,迭代處理至所有的PF分量分離出來(lái)。對(duì)于任意信號(hào)x(t),其處理結(jié)果如式(4),具體分解步驟參見(jiàn)文獻(xiàn)[3]。
(4)
式中,u(t)為殘余分量。
1.6 瞬時(shí)Teager能量譜
傳統(tǒng)意義上的信號(hào)能量是幅值的平方,代表勢(shì)能或動(dòng)能。其雖然能夠表征信號(hào)的瞬時(shí)幅值振動(dòng)特征,但是對(duì)于沖擊幅值較小,則該振動(dòng)模態(tài)很容易被其它模態(tài)淹沒(méi)[17]。
Teager-Kaiser能量算子(Teager-Kaiser Energy Operator, TKEO)是由Kaiser提出的一種非線性算子。該算子由信號(hào)瞬時(shí)幅值及其微分通過(guò)非線性組合成信號(hào)的總能量。與傳統(tǒng)信號(hào)能量相比,該算子能更有效地提取信號(hào)的瞬時(shí)特征,并具有良好的時(shí)間分辨率,近年來(lái)被學(xué)者廣泛應(yīng)用于求取信號(hào)的瞬時(shí)振動(dòng)特征。
離散信號(hào)x(n)的TKEO定義為
ψd[x(n)]=x2(n)-x(n-1)x(n+1)
由上式可知,計(jì)算任意離散時(shí)間信號(hào)的TKEO,只要該信號(hào)具有三個(gè)樣本點(diǎn)即可計(jì)算任意點(diǎn)處的瞬時(shí)能量。因此,TKEO對(duì)信號(hào)的瞬時(shí)變化具有良好的時(shí)間分辨率,能夠高精度地檢測(cè)信號(hào)中的瞬態(tài)振動(dòng)特征。
基于以上論述,本文提出的基于SVD優(yōu)化LMD的電梯導(dǎo)靴振動(dòng)信號(hào)故障特征提取方法,采用SVD從背景噪聲和光滑信號(hào)中分離出含有故障突變信息分量;然后采用LMD從故障突變信號(hào)中提取微弱的電梯導(dǎo)靴故障特征分量。
該方法具體步驟如下:
步驟1 對(duì)一維原始振動(dòng)信號(hào)x(t)構(gòu)造m×n維Hankel矩陣A,初始令m=2,對(duì)A進(jìn)行SVD得到奇異值矩陣S1,求奇異值貢獻(xiàn)率Q1=[η1,η2,…,ηm-1]。
步驟2 令m=m+1,求得Qm-1,若Qk~Qm-1中始終有某個(gè)ηk小于某一較小值(本文取1.67%),則循環(huán)結(jié)束,確定m=k及相應(yīng)的n;否則繼續(xù)進(jìn)行步驟2循環(huán),直到滿足循環(huán)結(jié)束條件。
步驟3 對(duì)m×n維Hankel矩陣A進(jìn)行SVD,得到奇異值矩陣Sm-1;采用“1.4”節(jié)中的奇異值曲率譜方法與奇異值貢獻(xiàn)率原則自適應(yīng)剔除噪聲奇異值、光滑信號(hào)奇異值(奇異值置為零)保留突變信號(hào)有效奇異值;然后對(duì)突變信號(hào)奇異值矩陣采用SVD逆運(yùn)算方法進(jìn)行重構(gòu),得到突變信號(hào)x′(t)。
步驟4 對(duì)x′(t)進(jìn)行LMD,得到突出原始信號(hào)振動(dòng)特征的分量PFi。
為了驗(yàn)證本文提出方法的有效性,采用上述原理和方法分別對(duì)電梯轎廂的上導(dǎo)靴故障信號(hào)、下導(dǎo)靴故障信號(hào)進(jìn)行分析。本文采用的數(shù)據(jù)來(lái)源于云南省特種設(shè)備安全檢測(cè)研究院。
實(shí)驗(yàn)采用B22型電梯導(dǎo)靴如圖1所示。其具體參數(shù)如表1所示。在不影響導(dǎo)靴正常使用性能的情況下,用磨砂分別在上、下導(dǎo)靴側(cè)面制作間隙為2.1 mm,轎廂為空載運(yùn)行,采樣頻率為100 Hz。該電梯的額定載重量為800 kg,額定運(yùn)行速度為1.0 m/s。為了能夠清楚的闡述兩種方法對(duì)比的效果,本文所用數(shù)據(jù)是電梯在檢修速度運(yùn)行時(shí)采集得到的。
滑動(dòng)導(dǎo)靴的振動(dòng)信號(hào)由安裝在轎廂地面的三維陀螺儀加速度傳感器進(jìn)行檢測(cè),采用動(dòng)態(tài)卡爾曼濾波算法。當(dāng)導(dǎo)靴兩側(cè)出現(xiàn)磨損時(shí),轎廂在與導(dǎo)靴兩側(cè)垂直方向的振動(dòng)信號(hào)會(huì)產(chǎn)生沖擊特性。
圖1 B22型電梯導(dǎo)靴Fig.1 B22 type elevator guide shoe
表1 導(dǎo)靴參數(shù)
本文采集轎廂導(dǎo)靴正常運(yùn)行時(shí)的振動(dòng)信號(hào),如圖2所示。轎廂下導(dǎo)靴故障振動(dòng)信號(hào)如圖3所示。對(duì)比圖2和圖3可知,導(dǎo)靴在正常運(yùn)行情況運(yùn)行時(shí),振動(dòng)信號(hào)比較平穩(wěn)。當(dāng)電梯下導(dǎo)靴發(fā)生故障時(shí),其時(shí)域波形及瞬時(shí)Teager能量譜在4 ~5 s表現(xiàn)出了沖擊特征,如何對(duì)該故障特征進(jìn)行有效提取是故障診斷的第一步,也是最關(guān)鍵的一步。(由于篇幅限制,本文僅選取一組轎廂下導(dǎo)靴故障振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行具體分析)。
為了驗(yàn)證本文提出方法的有效性,本文將分別采用SVD優(yōu)化LMD方法與LMD方法對(duì)轎廂下導(dǎo)靴故障特征進(jìn)行提取。
采用“1.3”節(jié)所述方法對(duì)轎廂下導(dǎo)靴故障信號(hào)構(gòu)造m×n維Hankel矩陣,得到的奇異值序列k的貢獻(xiàn)ηk率,如圖4所示。由圖4可知,當(dāng)m≥8時(shí),ηk(k≥9)逐漸趨向于零,并且lt;1.67%。因此,本文選取m=8構(gòu)造Hankel矩陣。
圖2 正常狀態(tài)振動(dòng)信號(hào)Fig.2 Normal vibration signal
圖3 下導(dǎo)靴故障振動(dòng)信號(hào)Fig.3 The down guide boots fault vibration signal
圖4 奇異值貢獻(xiàn)率Fig.4 Singular value contribution
為了從原始故障信號(hào)中將噪聲與光滑信號(hào)剔除,得到突變信號(hào),本文采用“1.4”節(jié)所述的奇異值曲率譜方法對(duì)奇異值進(jìn)行篩選,得到的奇異值曲率譜和奇異值序列譜,如圖5所示。
由圖5可知,奇異值曲率譜峰值出現(xiàn)在第4個(gè)奇異值,根據(jù)奇異值曲率譜準(zhǔn)則,第4個(gè)及其后的奇異值為背景噪聲;結(jié)合圖4(c)可知,第2個(gè)和第3個(gè)奇異值的貢獻(xiàn)率與第1個(gè)奇異值貢獻(xiàn)率相差甚大。因此,根據(jù)奇異值貢獻(xiàn)率原則,第2個(gè)和第3個(gè)奇異值含有故障特征信息幾乎為零,為光滑信號(hào)對(duì)應(yīng)的奇異值,第1個(gè)奇異值為包含主要故障特征信息的奇異值,取第1個(gè)奇異值進(jìn)行信號(hào)重構(gòu)。
圖5 奇異值曲率譜和奇異值序列譜Fig.5 Singular value curvature spectrum and singular value sequence spectrum
對(duì)第1個(gè)奇異值重構(gòu)信號(hào)進(jìn)行LMD,得到的PFi分量中,含有原始信號(hào)振動(dòng)特征最多的分量是PF1,其次是PF2,PF3,…,PFn。因此,本文主要對(duì)PF1進(jìn)行處理。PF1的時(shí)域波形圖如圖6(a)所示。其瞬時(shí)Teager能量譜如圖6(b)所示。從瞬時(shí)Teager能量譜可以發(fā)現(xiàn),從導(dǎo)靴發(fā)生故障時(shí)產(chǎn)生的波峰及其衰減的過(guò)程得到了很好復(fù)原,SVD優(yōu)化LMD方法有效提取到了故障信號(hào)中的故障特征分量。
圖6 SVD優(yōu)化LMD方法PF1波形圖Fig.6 The PF1 waveform figure of SVD optimizing LMD
采用LMD方法得到的PF1時(shí)域波形圖,如圖7(a)所示。其瞬時(shí)Teager能量譜如圖7(b)所示。由圖7可知,LMD方法雖然提取到了故障信號(hào)中的故障特征分量,但是從瞬時(shí)Teager能量譜可以發(fā)現(xiàn),該方法只提取到發(fā)生故障時(shí)產(chǎn)生的波峰,故障分量的衰減過(guò)程幾乎沒(méi)有提取到。因此,可以得到LMD方法只提取到部分故障特征分量,還有部分故障特征分量仍然殘留在殘余信號(hào)中。即,使故障振動(dòng)模態(tài)分解到多個(gè)信號(hào)中,存在模態(tài)混淆現(xiàn)象。
圖7 LMD方法PF1波形圖Fig.7 The PF1 waveform figure of LMD
通過(guò)圖6和圖7的分析可知,SVD優(yōu)化LMD方法有效改善了LMD方法在提取故障特征分量時(shí)產(chǎn)生的模態(tài)混淆現(xiàn)象,使電梯導(dǎo)靴的故障特征分量得到了完整的提取,有利于后期電梯導(dǎo)靴的故障識(shí)別。同時(shí),瞬時(shí)Teager能量譜很好地還原了導(dǎo)靴發(fā)生故障的全過(guò)程。
當(dāng)電梯上導(dǎo)靴發(fā)生故障時(shí),其時(shí)域波形如圖8(a)所示。瞬時(shí)Teager能量譜如圖8(b)所示。從圖8可知,其振動(dòng)信號(hào)第3 s前后表現(xiàn)出了沖擊特征。采用SVD優(yōu)化LMD方法對(duì)其進(jìn)行特征提取,得到的PF1時(shí)域波形圖如圖9(a)所示。其瞬時(shí)Teager能量譜如圖9(b)所示。從圖9可知,該方法有效提取了上導(dǎo)靴從發(fā)生故障時(shí)產(chǎn)生的波峰及其衰減的過(guò)程。
圖8 上導(dǎo)靴故障振動(dòng)信號(hào)Fig.8 The up guide boots fault vibration signal
圖9 SVD優(yōu)化LMD方法PF1波形圖Fig.9 The PF1 waveform figure of SVD optimizing LMD
LMD可以自適應(yīng)的將一個(gè)振動(dòng)信號(hào)分解為一系列的PF分量。本文提出的基于SVD優(yōu)化LMD方法,使其模態(tài)混淆現(xiàn)象得到了改善,而且通過(guò)電梯導(dǎo)靴故障信號(hào)驗(yàn)證了其特性。通過(guò)對(duì)應(yīng)用實(shí)例的分析結(jié)果表明:
(1)SVD及SVD逆重構(gòu)能夠在強(qiáng)噪聲背景下有效降低噪聲信號(hào)對(duì)故障特征信號(hào)的影響,從而得到高信噪比信號(hào)。
(2)基于SVD優(yōu)化LMD的振動(dòng)信號(hào)故障特征提取方法有效改善了LMD存在的模態(tài)混淆現(xiàn)象。
(3)本文提出的基于SVD優(yōu)化LMD的電梯導(dǎo)靴振動(dòng)信號(hào)故障特征提取方法能夠有效提取電梯導(dǎo)靴振動(dòng)信號(hào)中的故障特征分量,為電梯導(dǎo)靴的故障診斷提供了一條有效的途徑。
[ 1 ] 張進(jìn),馮志鵬,褚福磊. 滾動(dòng)軸承故障特征的時(shí)間-小波能量譜提取方法[J]. 機(jī)械工程學(xué)報(bào),2011,47(17): 44-49.
ZHANG Jin, FENG Zhipeng, CHU Fulei. Rolling bearing fault feature with time-the wavelet energy spectrum extraction method[J]. Journal of Mechanical Engineering, 2011, 47(17): 44-49.
[ 2 ] 楊江天,周培鈺. 經(jīng)驗(yàn)?zāi)B(tài)分解和Laplace小波在機(jī)車柴油機(jī)齒輪系故障診斷中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào),2011,47(7): 109-115.
YANG Jiangtian, ZHOU Peiyu. Empirical mode decomposition and Laplace wavelet in the application of locomotive diesel engine gear fault diagnosis[J]. Journal of Mechanical Engineering, 2011, 47(7): 109-115.
[ 3 ] 何田,林意洲,郝普剛,等.局部均值分解在齒輪故障診斷中的應(yīng)用研究[J]. 振動(dòng)與沖擊,2011,30(6): 196-201.
HE Tian, LIN Yizhou, HAO Pugang, et al. Local mean decomposition in the application of gear fault diagnosis research[J]. Journal of Vibration and Shock, 2011, 30(6): 196-201.
[ 4 ] SMITH J S. The local mean decomposition and its application to EEG perception data[J]. Journal of the Royal Society Interface, 2005, 2(5): 443.
[ 5 ] KIM Y A, PHALAK R. Atrust prediction framework in rating-based experience sharing social networks without a web of trust[J]. Information Sciences,2012,191(1): 128-145.
[ 6 ] FOULIRAS P. A novel reputation-based model for e-commerce[J]. Operational Research, 2014, 13(1): 113-138.
[ 7 ] 甘早斌,曾燦,李開,等.電子商務(wù)下的信任網(wǎng)絡(luò)構(gòu)造與優(yōu)化[J].計(jì)算機(jī)學(xué)報(bào),2012,35(1): 27-37.
GAN Zaobin, ZENG Can, LI Kai, et al. Construction and optimization of trust network in e-commerce environment[J]. Chinese Journal of Computers, 2012, 35(1): 27-37.
[ 8 ] 張少中,方朝曦,陳軍敢,等.基于社會(huì)網(wǎng)絡(luò)的電子商務(wù)信任社區(qū)聚類模型[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2013,47(4): 654-661.
ZHANG Shaozhong, FANG Chaoxi, CHEN Jungan, et al. Community clustering model for e-commerce trust based on social network[J]. Journal of Zhejiang University (Engineering Science), 2013,47(4): 654-661.
[ 9 ] YAHYAOUI H, ZHIOUA S. Bootstrapping trust of web services through behavior observation[J]. Knowledge and Information Systems,2013, 37(2): 389-416.
[10] 趙學(xué)智,葉邦彥,林穎. 奇異值分解對(duì)軸承振動(dòng)信號(hào)中調(diào)幅特征信息的提取[J].北京理工大學(xué)學(xué)報(bào),2011,31(5): 572-577.
ZHAO Xuezhi, YE Bangyan, LIN Ying. Amplitude modulation feature extraction of bearing vibration signal using singular value decomposition[J]. Transactions of Beijing Institude of Technology,2011,31(5): 572-577.
[11] 李葵,范玉剛,吳建德.基于二次奇異值分解與VPMCD的故障診斷方法[J].計(jì)算機(jī)工程,2015,41(4): 181-186.
LI Kui, FAN Yugang, WU Jiande. Fault diagnosis method based on quadratic singular value decomposition and VPMCD[J]. Computer Engineering,2015,41(4): 181-186.
[12] 趙學(xué)智,葉邦彥,陳統(tǒng)堅(jiān). 矩陣構(gòu)造對(duì)奇異值分解信號(hào)處理效果的影響[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,36(9): 86-93.
ZHAO Xuezhi, YE Bangyan, CHEN Tongjian. Influence of matrix creation way on signal processing[J]. Journal of South China University (Natural Science),2008,36(9): 86-93.
[13] 趙學(xué)智,葉邦彥,陳統(tǒng)堅(jiān).基于奇異值曲率普的有效奇異值選擇[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,38(6): 11-18.
ZHAO Xuezhi, YE Bangyan, CHEN Tongjian. Selection of effective singular values based on curvature spectrum of singular values[J]. Journal of South China University(Natural Science),2010, 38(6): 11-18.
[14] 李葵,范玉剛,吳建德.基于SVD和TKEO的軸承振動(dòng)信號(hào)特征提取[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(17): 195-199.
LI Kui, FAN Yugang, WU Jiande. Feature extraction of bearing vibration signal based on SVD and TKEO[J]. Computer Engineering and Applications, 2014,50(17): 195-199.
[15] 程軍圣,張亢,楊宇,等. 局部均值分解與經(jīng)驗(yàn)?zāi)J椒纸獾膶?duì)比研究[J]. 振動(dòng)與沖擊,2009,28(5): 13-16.
CHENG Junsheng, ZHANG Kang, YANG Yu, et al. The comparative study of local mean decomposition and empirical model decomposition[J]. Journal of Vibration and Shock, 2009, 28(5): 13-16.
[16] 程軍圣,張亢,楊宇. 基于噪聲輔助分析的總體局部均值分解方法[J]. 機(jī)械工程學(xué)報(bào), 2011,47(3): 55-62.
CHENG Junsheng, ZHANG Kang, YANG Yu. Ensemble local mean decomposition method based on noise-assisted analysis[J]. Journal of Mechanical Engineering, 2011, 47(3): 55-62.
[17] 王天金,馮志鵬,郝如江,等.基于Teager能量算子的滾動(dòng)軸承故障診斷研究[J].振動(dòng)與沖擊,2012,31(2): 1-5.
WANG Tianjin, FENG Zhipeng, HAO Rujiang, et al. Fault diagnosis of rolling element bearing bsed on Teager energy operator[J]. Journal of Vibration and Shock,2012,31(2): 1-5.
FeatureextractionofanelevatorguideshoevibrationsignalbasedonSVDoptimizingLMD
TAORan1,3,XUYoucai2,3,DENGFanghua2,3,GUOShu3,LIXinshi3,GOUMin2,LIKun2,WANGHua1
(1.KunmingUniversityofScienceandTechnology,QualityDecelopmentInstitute,Kunming600500,China;2.KunmingUniversityofScienceandTechnology,FacultyofInformationEngineeringandAutomation,Kunming600500,China;3.SpecialEquipmentSafetyInspectionInstituteinYunnanProvince,Kunming650228,China)
Aimed at the phenomenon of mode mixing when the LMD is used to extract the fault information from an elevator guide shoe, a feature extraction method based on singular value decomposition (SVD) optimizing local mean decomposition (LMD) was proposed. First, the Hankel matrix of the original signal was constructed with singular value contribution principle. It used SVD to decompose the Hankel matrix. Then, in order to obtain the useful singular value containing the main fault information, the method selected singular values with the principle of curvature spectrum and the principle of singular value contribution. A mutation signal was reconstructed. Finally, the fault feature component which represented the original signal vibration characteristics could be extracted from the mutation signal by the LMD method. The method was applied to diagnose the elevator up guide shoe fault and the elevator down guide boots fault. Application examples show that the proposed method is effective to solve the problem of mode mixing and can extract fault characteristic components from the elevator guide shoe vibration signal more accurately.
elevator guide shoe;singular value decomposition(SVD); local mean decomposition(LMD);mode mixing;feature extraction
國(guó)家質(zhì)檢總局科技計(jì)劃項(xiàng)目資助(2013QK104);云南省質(zhì)量技術(shù)監(jiān)督局科技計(jì)劃項(xiàng)目資助(2013YNZJKJ02)
2016-11-22 修改稿收到日期: 2017-02-06
陶然 男,博士生,1966年生
王華 男,博士,教授,博士生導(dǎo)師,1965年生
TH277
A
10.13465/j.cnki.jvs.2017.22.026