基于SVD-AR模型与VPMCD的轴承故障诊断方法

刘英杰; 范玉刚; 黄国勇; 毛敏

doi:10.13873/J.1000-9787(2017)12-0046-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于SVD-AR模型与VPMCD的轴承故障诊断方法

研究与探讨 | 更新时间：2025-09-11

- 基于SVD-AR模型与VPMCD的轴承故障诊断方法
- Bearing fault diagnosis method based on SVD-AR model and VPMCD
- 传感器与微系统 2017年36卷第12期页码：46-49
- 作者机构：
  
  1. 昆明理工大学信息工程与自动化学院
  2. 云南省矿物管道输送工程技术研究中心
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（61663017）;云南省重大科技专项资助项目（2015ZC005）
- DOI：10.13873/J.1000-9787(2017)12-0046-04
  中图分类号： TH133.3
- 纸质出版：2017
- 稿件说明：
移动端阅览
[1]刘英杰,范玉刚,黄国勇,毛敏.基于SVD-AR模型与VPMCD的轴承故障诊断方法[J].传感器与微系统,2017,36(12):46-49.

LIU Ying-jie, FAN Yu-gang, HUANG Guo-yong, et al. Bearing fault diagnosis method based on SVD-AR model and VPMCD[J]. 2017, 36(12): 46-49.
[1]刘英杰,范玉刚,黄国勇,毛敏.基于SVD-AR模型与VPMCD的轴承故障诊断方法[J].传感器与微系统,2017,36(12):46-49. DOI： 10.13873/J.1000-9787(2017)12-0046-04.

LIU Ying-jie, FAN Yu-gang, HUANG Guo-yong, et al. Bearing fault diagnosis method based on SVD-AR model and VPMCD[J]. 2017, 36(12): 46-49. DOI： 10.13873/J.1000-9787(2017)12-0046-04.

摘要

针对强噪声背景下振动信号故障特征难以提取的问题

提出了基于奇异值分解的自回归（SVD-AR）模型

用于提取振动信号的特征

并与变量预测模型模式识别（VPMCD）方法相结合应用于轴承故障诊断。对轴承振动信号进行SVD;然后

利用奇异值差分谱对分量信号进行筛选

对能够反映故障信息的分量信号建立AR模型

提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别。实验证明了方法的合理性和有效性。

Abstract

Aiming at problem of the failure feature extraction of vibration signal under strong noise background

proposed based on the singular value decomposition and auto regressive（ SVD-AR） model

used for feature extraction of the vibration signal and applied for bearing fault diagnosis by combining with the variable predictive model based class discriminate（ VPMCD）. Firstly

the bearing vibration signal is decomposed by SVD

and then the component signals are screened by using the singular value difference spectrum

and AR model is established for the component signal which can reflect the fault information

extracting characteristic information of bearing vibration signal. Finally

it’s used to identify the running state of the rolling bearing by VPMCD. The test of rolling bearing fault diagnosis proves that the method is reasonable and effective.

关键词

Keywords

references

基于流形-奇异值熵的滚动轴承故障特征提取 [J]. 王奉涛,陈守海,闫达文,朱泓,崔立明,王雷. 振动.测试与诊断 . 2016(02)

基于AR模型的印刷机滚筒扭矩及其振动试验研究 [J]. 王仪明,赵明明,武淑琴,许文才. 振动与冲击 . 2016(03)

基于分量筛选奇异值分解的滚动轴承故障诊断方法研究 [J]. 朱军,闵祥敏,孔凡让,黄伟国,王超,胡智勇. 振动与冲击 . 2015(20)

多传感器系统中基于扩展卡尔曼滤波器的在线故障检测 [J]. 郭淑霞,姜颖,刘佳. 传感器与微系统 . 2015(06)

基于主元分析的桥梁挠度传感器故障诊断研究 [J]. 胡顺仁,李瑞平,包明,张建科. 传感器与微系统 . 2014(06)

基于双树复小波和奇异差分谱的齿轮故障诊断研究 [J]. 胥永刚,孟志鹏,陆明,付胜. 振动与冲击 . 2014(01)

基于小波—奇异值分解差分谱的弱故障特征提取方法 [J]. 赵学智,叶邦彦,陈统坚. 机械工程学报 . 2012(07)

基于EMD-AR和关联维数的轧机主传动系统故障诊断研究 [J]. 戴桂平. 传感器与微系统 . 2011(04)

基于LMD和AR模型的转子系统故障诊断方法 [J]. 杨宇,杨丽湘,程军圣. 湖南大学学报(自然科学版) . 2010(09)

基于奇异值分解和支持向量机的滚动轴承故障模式识别 [J]. 陆爽. 农业工程学报 . 2007(04)

Variable predictive model based classification algorithm for effective separation of protein structural classes [J] . Rao Raghuraj,S. Lakshminarayanan. Computational Biology and Chemistry . 2008 (4)

Variable predictive models—A new multivariate classification approach for pattern recognition applications [J] . Rao Raghuraj,Samavedham Lakshminarayanan. Pattern Recognition . 2008 (1)

浏览量

107

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于无源振动传感器标签的轴承故障在线诊断技术

基于SVD——形态降噪的TKEO故障诊断方法研究

基于图神经网络的异构多传感器融合交流电机故障诊断

多传感器融合的煤矿井下带式输送机智能监测方法及应用

基于GSA-SVM的谱仪放大器故障诊断研究