针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。 表1导靴参数Ta称尺寸（mm）长度220导轨槽宽16导轨槽深25本文的振动信号采集装置为三维陀螺仪加速度传感器，将其固定在轿厢与导靴相互接触的地面上进行检测，采用动态卡尔曼滤波算法振动信号故障-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机。当导靴两侧出现磨损时，轿厢在与导靴两侧垂直方向的振动信号会产生冲击特性。3.2信号处理与分析本文采集轿厢导靴正常运行时的振动信号如图1所示，轿厢下导靴故障振动信号如图2所示。对比图1本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，图2可以看出，导靴在正常运行情况运行时，振动信号比较平稳。当电梯下导靴发生故障时，其时域波形在2s-3s之间表现出了微弱的冲击特征，但是仅从这一点，很难辨别故障的存在和故障特征频率。对于下导靴故障信号，我们采用SVD对信号进行初步处理，为了验证本文提出方法的有效性，本文将分别采用SVD优化EMD方法与EMD方法对轿厢下导靴故障特征进行提龋采用对轿厢下导靴故障信号构造维Hankel矩阵方法，得到的奇异值序列的贡献率如图3所示。由图可知当时，逐渐趋向于零。因此，本文选取构造Hankel矩阵。为了从原始故障信号中将噪声与光滑信号剔除，得到突变信号，本文采用2.2节所述的奇异值曲率谱方法对奇异值进行筛选，得到的奇异值曲率谱和奇异值序列谱如图4所示。由图4可见，奇异值曲率谱峰值出现在第2个奇异值，根据奇异值曲率谱准则再结合奇异值贡献率原则，第2个和第3个奇异值含有故障特征信息几乎为零，为光滑信号对应的奇异值，第1个奇异值为包含主要故障特征信息的奇异值，所以取第1个奇异值进行信号重构。对第1个奇异值重构信号进行EMD分解，结果如图5所示。图1正常状态振动信号振动信号故障-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name