基于压缩动态模式分解的滚动轴承健康监测指标构建

目前轴承健康监测指标主要通过统计模型和机器学习等方法建立,其过程比较繁琐且需要人工干预。动态模式分解(DMD)在振动信号分析中已得到有效应用,但DMD在高采样频率下计算耗时严重且占用的计算空间较大。本文结合压缩感知算法和DMD,提出了基于压缩动态模式分解(CDMD)的滚动轴承健康指标构建方法。首先利用一个低维随机观测矩阵生成压缩的Hankel矩阵,以提高轴承振动信号的奇异值分解速度;然后以模式分解得到的特征值为基础,计算出特征值实部的峭度和模式幅值的均方根值(RMS),从而构成更加简单而有效的轴承健康指标。通过仿真信号和实验信号对本文方法进行验证,结果表明,CDMD可以代替DMD实现信号的加速分解并获得精确的特征值,所构建的指标能有效区分轴承生命周期中的不同运行阶段。