基本思路
将离散的时序信号通过矩阵的变换,转换成二维的矩阵,利用奇异值分解,提取主要特征,根据奇异值大小判断信号是否有故障。
信号转换矩阵
hankel矩阵
对于离散信号
X
=
[
x
(
1
)
x
(
2
)
.
.
.
x
(
N
)
]
X=\begin {bmatrix}x(1)&x(2)&...&x(N)\end{bmatrix}
X=[x(1)x(2)...x(N)]
hankel矩阵可以表示为:
A
=
[
x
(
1
)
x
(
2
)
.
.
.
x
(
n
)
x
(
2
)
x
(
3
)
.
.
.
x
(
n
+
1
)
.
.
.
.
.
.
.
.
.
.
.
.
x
(
m
)
x
(
m
+
1
)
.
.
.
x
(
N
)
]
A=\begin {bmatrix}x(1)&x(2)&...&x(n)\\ x(2)&x(3)&...&x(n+1)\\...&...&...&...\\x(m)&x(m+1)&...&x(N)\end{bmatrix}
A=⎣⎢⎢⎡x(1)x(2)...x(m)x(2)x(3)...x(m+1)............x(n)x(n+1)...x(N)⎦⎥⎥⎤
通过hankel矩阵实现了将离散的时序信号转换成二维矩阵
注:hankel矩阵只是转换矩阵的一种形式
奇异值分解
原始信号可以描述为
X
=
[
A
(
1
)
A
(
2
:
m
,
n
)
]
X=\begin{bmatrix} A(1)&A(2:m,n)\end{bmatrix}
X=[A(1)A(2:m,n)]
通过奇异值分解,A可以描述为:
A
=
σ
1
U
1
V
1
T
+
.
.
.
+
σ
n
U
n
V
n
T
A=\sigma_1U_1V_1^T+...+\sigma_nU_nV_n^T
A=σ1U1V1T+...+σnUnVnT
特征提取
特征值可以写成:
S
V
=
[
σ
1
σ
2
.
.
.
σ
n
]
SV=\begin{bmatrix} \sigma_1& \sigma_2&...& \sigma_n\end{bmatrix}
SV=[σ1σ2...σn]
定义相邻两个特征值比例为特征值比率
N
R
i
=
σ
i
/
σ
i
+
1
NR_i=\sigma_i/\sigma_{i+1}
NRi=σi/σi+1
特征值比率的集合为:
N
S
V
R
=
[
N
R
1
N
R
2
.
.
.
N
R
n
−
1
]
NSVR=\begin{bmatrix} NR_1& NR_2&...& NR_{n-1}\end{bmatrix}
NSVR=[NR1NR2...NRn−1]
轴承不同的故障会产生不同频率的信号,利用奇异值分解得到的分量信号就具有不同的频谱,所以不同故障得到的NSVR也不一样。
所以NSVR会被用来判断故障种类。
参考文献
JIANG H,CHEN J,DONG G,et al.Study on Hankel matrix-based SVD and its application in rolling element bearing fault diagnosis[J].Mechanical Systems & Signal Processing,2015,52/53( 1) : 338 -359.