[发明专利]一种基于EMD-SVD与MTS的机械磨损件性能评估与预测方法

摘要

本发明提供了一种基于EMD-SVD与MTS的机械磨损件性能评估与预测方法，属于机械磨损件故障诊断技术领域。首先对采集的被监测对象的信号进行降噪处理，然后对信号进行EMD分解，选取有效的IMF分量和剩余函数组成初始矩阵，对初始矩阵进行奇异值分解，对得到的特征值进行归一化处理得到特征向量；然后利用MTS方法计算马氏距离，并利用田口方法对特征向量进行优化和约减；将马氏距离转化为置信值，通过跟踪置信值的趋势对机械磨损件的性能进行评估，通过被监测对象置信值与工况的关系模型或匹配矩阵，对故障进行预测。本发明避免了现有方法处理非线性非平稳信号易出现错误的问题，适合应用于工业实时监测，减少故障发生几率。

主权项

一种基于经验模态分解(EMD)‑奇异值分解(SVD)与马田系统(MTS)的机械磨损件性能评估与预测方法，其特征在于，包括如下步骤：步骤一、采集被监测对象信号，对采集的信号进行降噪处理；步骤二、对步骤一得到的信号进行特征提取，具体是：首先，对信号进行经验模态分解，得到n个本征模函数（IMF）分量和剩余函数；其次，选取有效的IMF分量和剩余函数组成初始矩阵A；然后，对初始矩阵A进行奇异值分解，得到信号的特征值；最后，对特征值进行归一化处理，得到信号归一化后的特征向量；步骤三、利用被监测对象正常状态下得到的特征向量构建马氏距离基准空间，然后利用测试数据计算马氏距离；并利用田口方法对特征向量进行优化和约减；步骤四、将马氏距离通过归一化函数转化为置信值，通过跟踪置信值的趋势对机械磨损件的性能进行评估；步骤五、收集被监测对象全寿命的马氏距离、置信值数据及工况信息，建立对应的关系模型或匹配矩阵；通过所建立的关系模型或匹配矩阵，对被监测对象的马氏距离及置信值趋势做出预测，实现对故障的预测；步骤六、实时采集被监测对象信号，将所采集的信号进行降噪处理后，经过步骤二进行特征提取，经过步骤三计算对应的马氏距离，在步骤四中，根据该马氏距离对被监测对象的性能进行评估，在步骤五中对故障进行预测。