文献类型：期刊文章

作　　者：李华[1,2] 刘韬[2] 伍星[2,3] 李少波[1]

LI Hua;LIU Tao;WU Xing;LI Shaobo(State Key Laboratory of Public Big Data,Guizhou University,Guiyang 550025;Yunnan Provincial Key Laboratory of Advanced Equipment Intelligent Manufacturing Technology,Kunming University of Science and Technology,Kunming 650500;Yunnan Vocational College of Mechanical and Electrical Technology,Kunming 650203)

机构地区：[1]贵州大学省部共建公共大数据国家重点实验室,贵阳550025 [2]昆明理工大学先进装备智能制造技术云南省重点实验室,昆明650500 [3]云南机电职业技术学院,昆明650203

出　　处：《机械工程学报》

基　　金：国家重点研发计划(2018YFB1306103);国家自然科学基金(51875272,52065030);贵州大学自然科学专项(特岗)科研基金((2021)27)资助项目。

年　　份：2021

卷　　号：57

期　　号：21

起止页码：138-149

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于Hankel矩阵的奇异值分解(Singular value decomposition,SVD)方法在信号处理、故障诊断领域得到了广泛应用。其降噪性能受选取的重构分量、Hankel矩阵结构、分析的数据点数的影响,对此进行了系统的研究,提出了基于相关奇异值比的SVD(Correlated singular value ratio SVD,C-SVR SVD)方法,并成功应用于轴承故障诊断。首先,针对SVD的重构分量的确定问题,提出了奇异值比(Singular value ratio,SVR)和互相关系数相结合的方法;其次,对Hankel矩阵的结构进行研究,提出了基于SVR和峭度指标的结构优化方法。然后,对分析的数据点数进行了分析讨论,给定了约束。最后,将C-SVR SVD方法应用于轴承故障仿真信号和实际轴承故障案例分析,验证了C-SVR SVD方法的有效性和优越性。

关 键 词：奇异值分解 重构分量确定  奇异值比  互相关系数  Hankel矩阵结构  滚动轴承  

分 类 号：TH165] TH17