基于SVD优化EMD电梯导靴振动信号故障特征提取.docVIP

基于SVD优化EMD电梯导靴振动信号故障特征提取 　　摘要：针对电梯导靴振动信号采用经验模态分解（Empirical Mode Decomposition，EMD）难以直接提取早期微弱故障特征的问题，提出基于奇异值分解（Singular Value Decomposition，SVD）优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解，通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构，利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次；筛选出包含主要故障信息的奇异值进行信号重构，得到剔除噪声信号与光滑信号的突变信号；然后对突变信号进行EMD分解，得到信号的本征模态函数（Intrinsic Mode Fimction，IMF）分量?最后，对IMF分量作Hilbert变换，求得其Hilbert边际谱， 　　从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题，更准确地提取了振动信号的故障特征频率，验证了所述方法的有效性。 　　引言 　　电梯导靴是电梯机械设备中最常用、最易损坏的部件之一，其状态监测和故障诊断一直是一个研究热点。电梯导靴是电梯导轨与轿厢之间的可以滑动的尼龙块，它可以将轿厢固定在导轨上，让轿厢只可以上下移动。在电梯长期高频率的运行过程中，难免导致电梯导靴的磨损，电梯导靴的优劣程度及磨损程度直接影响到人们乘坐电梯的舒适度，甚至导靴有脱出导轨的危险。因此寻找适当的故障诊断、识别方法，对于有效地控制电梯导靴故障具有重要意义。其中，故障特征提取是故障诊断中最重要、最关键的问题之一。 　　事实上，当电梯导靴产生故障时，由于受到刚度非线性、摩擦力、间隙和外载荷等因素的影响，电梯导靴的振动信号往往会表现出非平稳特性，因此，如何从非平稳信号中提取故障特征信息，在电梯导靴的故障诊断中就显得尤为重要。信号处理是提取故障特征信息最常用的方法，快速傅里叶变换使用一个固定的窗函数，窗函数一旦确定了以后，其形状就不再发生改变，但是对于非平稳信号，当信号变化剧烈时，要求窗函数有较高的时间分辨率，快速傅里叶变换不能兼顾频率与时间分辨率的需求。小波变换能够同时提供信号在时域和频域的局部化信息，但其本质是窗口可调的Fourier变换，由于小波基长度有限，因此在对信号进行时频分析时，会产生能量泄漏。EMD方法摒弃了加窗的观念，避免了由加窗造成的频谱泄露，而且其基函数是调频一调幅形式，故在处理非线性非平稳信号时显示较大优势，但对于早期微弱故障特征存在难以提取的问题。 　　SVD是一种具有良好的数值稳健性与自适应性的信号处理方法，通过对奇异值分析能够有效识别噪声分量和故障特征分量。本文提出一种采用SVD优化EMD的方法来提取电梯导靴故障特征信息，将SVD的降噪滤波优势与EMD的故障特征提取优势相结合应用于电梯导靴的故障诊断。通过对比试验表明，该方法有效提取了电梯导靴振动信号的早期微弱故障特征信息，为电梯导靴的故障诊断提供了一个有效的参考方法。 　　1 EMD与SVD简介 　　1.1 EMD原理 　　EMD是Huang首先提出的信号处理时频分析方法，它是一种自适应的、高效的信号分解方法，主要适合于处理非线性、非平稳信号[2G]。EMD算法的目的在于将性能不好的信号分解为一组性能较好的本征模态函数，它通过一个“筛选”过程从被分析信号中提取IMF，以下为EMD的分解过程： 　　（1）找出信号的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上和下包络线；上下包络线的均值为m1；将信号减去可得到新序列，即外；如果满足IMF条件，那么就是的第1个IMF分量。一般不一定是平稳数据序列，为此需对它重复上述过程。得到上、下包络线的平均值，再判断是否满足IMF的条件，重复上述过程，这样就得到第一个本征模函数分量。 　　（2）用减去，得到一个去掉第一个本征模态分量的新数据序列，对再进行上述分解，得到第二个本征模函数分量。如此重复直到最后一个数据序列不可被分解，此时，代表信号的趋势或均值。分解结果可以这样表示： 　　其中称为残余函数，代表信号的平均趋势。而各IMF分量而分别包含了信号从高到低不同频率段的成分，每一频率段所包含的频率成分都是不同的，且随信号本身的变化而变化。通常，EMD方法分解出来的前几个IMF分量集中了原信号中主要的信息。 　　l. 2SVD分解与重构 　　在奇异值理论中，任何阶的矩阵A（其中mn）的奇异值分解都可以表示为，式中，U和V分别是mxm阶和阶正交矩阵，为对角矩阵，其对角元素为的奇异值，并按降序排列。由SVD理论可知，对角矩阵特征值所含比重越大，代表所含信息量越多， 　　通常用贡献率?砗饬浚?定义奇异值贡