申请/专利权人:中国航空工业集团公司上海航空测控技术研究所
申请日:2023-11-07
公开(公告)日:2024-02-06
公开(公告)号:CN117520816A
主分类号:G06F18/213
分类号:G06F18/213;G06F18/10;G01M13/045
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.27#实质审查的生效;2024.02.06#公开
摘要:本发明公开了一种结合EMD和张量分解的振动故障特征信号提取方法,首先将初始振动信号进行EMD分解,并对分解得到的IMF分量根据相关系数和Wasserstein距离进行筛选;在此基础上,采用滑动窗对筛选得到的每个IMF进行分段截取,构造成三维信号张量;对该张量进行张量高阶奇异值分解,选用奇异值中心差商曲线,获取张量各个模式展开矩阵的有效奇异阶;根据有效奇异阶对张量进行重构,获取去噪后的振动故障特征信号。通过上述先后两次去噪处理过程,可有效剔除振动信号中的干扰成分,使强噪声干扰下的微弱故障特征更加明显并保持完整,提高后续航空旋转机械状态监测与故障诊断的准确性。
主权项:1.一种结合EMD和张量分解的振动故障特征信号提取方法,对航空旋转机械在振动监测中按照预定采样频率进行采样得到的初始振动信号提取该旋转机械的故障特征信号,其特征在于,包含以下步骤:步骤S1,将原始振动信号使用经验模态分解方法EMD自适应分解,获取由多个本征模态分量IMF组成的初始IMF集合;步骤S2,对初始IMF集合进行筛选获取含有特征信息的IMF集合;步骤S3,分别对含有特征信息的IMF集合中的每个IMF进行分段截取,组成IMF截断矩阵;步骤S4,将每个IMF截断矩阵作为张量的层,获取信号张量X;步骤S5,获取信号张量X各个模式展开矩阵的因子矩阵和奇异值序列;步骤S6,根据每个奇异值序列分别获取对应因子矩阵的有效奇异阶,得到降维后的因子矩阵步骤S7,根据降维后的因子矩阵获取新的核心张量新的核心张量的表达式为: 步骤S8,根据降维后的因子矩阵和新的核心张量重构得到包含信号特征信息的估计特征张量估计特征张量的表达式为: 步骤S9,根据张量构造逆过程,将估计特征张量还原成一维向量,获取初始振动信号中的故障特征信号。
全文数据:
权利要求:
百度查询: 中国航空工业集团公司上海航空测控技术研究所 一种结合EMD和张量分解的振动故障特征信号提取方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。