目前对故障信号的刻画方法多以向量模型为主,信号的表现形式单一,存在着小样本和维数灾难等问题。另外,多数特征提取算法在处理新样本时,通常需要同时利用新、旧样本构建新数据空间,并进行重新计算,算法处理新样本的效率较低。为此,提出了一种新的基于张量模型的故障诊断方法,采用小波变换和相空间重构建立轴承故障信号的张量模型,通过高阶奇异值分解获得轴承振动信号的初始特征。在此基础上提出了张量模型初始特征最优分类点的区分度函数,实现了轴承故障的快速诊断。分别利用轴承试验平台和凯斯西储大学轴承数据集进行实验,实验结果证明了所提算法能够提取显著的特征,并具有诊断速度快和识别精度高等优点,适合于实际工程应用。

提出了将张量奇异谱分解运用于机械故障诊断特征提取，张量奇异谱分解（TSSA）是传统奇异谱分解（SVO）的扩展。由于传统奇异谱分解在处理非平稳、非线性的信号效果不理想，故障特征不明显。因此将传统的奇异谱分解延伸到三阶张量分解中，从而将一维的时间序列转换成为三阶的张量，然后运用标准（PARAFAC）张量分解，标准（PARAFAC）张量分解是把秩为R的张量分解为R个秩-1的张量的和，分解出原始张量的因子矩阵和权重，并重构回一维信号进而对信号的时域和频域做出分析。为了证明方法的有效性，将该方法应用于轴承故障信号的特征提取中，分别运用了仿真和实测信号做了分析，结果表明该方法不仅能有效地抑制噪声，明显地提取轴承故障信号特征，而且其效果要优于传统的奇异谱分解方法，具有一定的工程实践价值。