典型文献
基于O-SVD与FSC的滚动轴承微弱故障特征提取研究
文献摘要：
由于滚动轴承的早期微弱故障特征难以被完整地提取出来,为此,提出了一种基于周期优选奇异值分解(O-SVD)和快速谱相关(FSC)的滚动轴承微弱故障提取算法.首先,通过理论和仿真分析,对存在细节特征丢失问题的传统截断奇异值分解(T-SVD)算法进行了改进,提出了一种以相关系数作为指标,判断有效奇异值分解子空间的O-SVD算法;然后,将O-SVD作为信号处理的前置处理单元,对滚动轴承的故障信号进行了分解重构,并将处理后的重构信号进行了快速谱相关计算,得到了特征明显且能够较好保存局部细节特征的增强包络谱;最后,基于仿真模型,分析了现有算法的不足,并以故障识别率为指标,阐明了基于O-SVD与FSC的算法在低信噪比工况下的工程适用性.研究结果表明:与对比算法相比,在滚动轴承早期微弱故障、复合故障和综合故障3种工况下,基于O-SVD与FSC的算法均能够较为完整地提取故障信号特征,具有较好的工程适用性.
文献关键词：
旋转机械;微弱故障;特征提取;优选奇异值分解;快速谱相关;降噪分离
中图分类号：
作者姓名：
张震;刘保国;周万春;黄传金
作者机构：
郑州工程技术学院 机电与车辆工程学院,河南 郑州450000;河南工业大学 机械工程学院,河南 郑州450001
文献出处：
引用格式：
[1]张震;刘保国;周万春;黄传金-.基于O-SVD与FSC的滚动轴承微弱故障特征提取研究)[J].机电工程,2022(06):799-805
A类：
优选奇异值分解,增强包络谱,降噪分离
B类：
SVD,FSC,滚动轴承,故障特征提取,早期微弱故障,整地,快速谱相关,细节特征,截断奇异值分解,有效奇异值,子空间,信号处理,处理单元,故障信号,分解重构,重构信号,相关计算,故障识别率,低信噪比,工程适用性,对比算法,复合故障,信号特征,旋转机械
AB值：
0.239039
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
