科研之友
微信
新浪微博
Facebook
分享链接
摘要
滚动轴承是机械设备中广泛使用的关键部件，其故障特征的准确提取对设备稳定运行至关重要。轴承的初始故障很微弱，容易被背景噪声掩盖，这使故障特征的提取较为困难，需要对轴承故障特征与噪声的特性进行准确刻画。针对上述问题，为了深入探究轴承故障特征及噪声在时频域中的低秩与稀疏特性及其内在关联，对轴承故障特征提取低秩稀疏分解框架下的两种代表性方法开展对比研究，以便充分利用故障特征与噪声成分的性质，为噪声干扰下的轴承故障提取方法选择提供一定的依据。利用周期性瞬态冲击信号在时频域中的稀疏与低秩特性建立矩阵分解模型，对比了Go分解(go-decomposition, Go-Dec)和非负矩阵分解(non-negative matrix factorization, NMF)两种具有代表性的分解方法，并将其应用于时频域中滚动轴承的故障特征提取。首先，基于短时傅里叶变换(short time Fourier transform, STFT)生成振动信号的时频矩阵，并揭示了轴承故障脉冲在时频域中具有的稀疏性和低秩性。利用Go-Dec和NMF两种矩阵分解方法，分解出表征故障特征的矩阵。最后，对分解的故障矩阵采用逆短时傅里叶变换重构瞬态脉冲信号，并对该信号取包络谱从而确定滚动轴承的故障类型和频率信息。仿真分析和试验对比了两种故障特征分解方法，结果表明Go-Dec可以更好地去除噪声干扰，有效提取出表征滚动轴承故障特征的稀疏分量。
- 单位
