基于SVD-CWT和CNN的水轮发电机转子故障识别

水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解(SVD)并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换(CWT)转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络(CNN)输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。

基于DK-SVD的深度学习电阻抗块稀疏成像方法研究

针对电阻抗层析成像逆问题的病态性和非线性,提出一种基于DK-SVD的电阻抗块稀疏图像重建方法。该算法通过多层感知器为每组测量数据提供最优的模型参数,以适应数据集的多样性,进一步提高成像质量,并在稀疏编码阶段采用迭代收缩阈值算法加快收敛速度。仿真实验结果表明DK-SVD算法重建图像的结构相似性可达到0.95以上,误差可控制在0.1左右,平均重建速度为0.034 s,有效地提高了电阻抗层析成像的质量和效率,且经进一步实验证明了该算法具有良好的噪声鲁棒性和实际应用价值。

基于APSO-SSD-SVD的特高压换流站OLTC振动信号降噪方法

随着中国特高压交直流换流站的大规模投运,有载分接开关(on-load tap changer, OLTC)已成为特高压换流站中发生故障较多的设备之一。针对强背景噪声环境下特高压换流站OLTC故障特征难以提取的问题,提出一种基于自适应粒子群算法优化奇异谱分解和奇异值分解的方法。首先,利用自适应粒子群优化(adaptive particle swarm optimization, APSO)算法对奇异谱分解算法中的模态参数进行优化,选取最优分解模态数。其次,基于最大峭度准则选取最佳奇异谱分量。然后,确定最佳重构阶数,通过奇异值分解重构信号,从而达到信号降噪的目的。将所提方法应用于仿真信号和实验信号,结果表明所提方法的信噪比达到23.302,均方根误差仅为0.004,并且波形相似参数高达0.998,优于其他降噪方法。所提方法能够更有效地实现对特高压换流站OLTC振动信号的降噪,为辅助运维人员诊断OLTC状态提供参考。

基于向量残差SVD的混凝土超声测试温度效应研究

为研究温度对混凝土超声测试尾波信号的影响规律;将信号向量间的归一化夹角作为波动指标,反映温度效应引起的信号变化;通过向量残差矩阵SVD获得表征温度效应大小的特征向量,建立向量空间映射和温度差的数学关系。在实验室采集混凝土梁尾波信号进行验证,结果表明,随温度升高尾波信号的波形发生后移,文中方法可分段线性量化温度效应;基于量化结果,得到常温下超声尾波信号最敏感的温度区间;任意4.5℃范围内,可去除74%~90%的温度效应。

基于自适应动态粒子群优化的RAK-SVD方法

K均值奇异值分解(K-SVD)算法是一种行之有效的地震资料去噪方法,但由于其稀疏分解存在不确定性,需要引入正则项对其改进。为此,在常规粒子群算法的基础上,提出了一种自适应动态粒子群算法优化正则化参数的正则化近似K-SVD(RAK-SVD)去噪方法。首先通过修改字典原子和相关参数,解决了由于常规粒子群算法的惯性参数固定不变,导致后期搜索效率下降的问题;其次将正则化系数引入近似K-SVD(AK-SVD)方法,明显提升了去噪效果;最后利用自适应动态粒子群算法自动优选AK-SVD方法中的正则化参数,提高了稀疏分解的确定性,在对强反射信号进行去噪的同时加强了对弱信号的保护。模型测试和实际应用均表明,该方法有利于弱信号的提取和识别,不仅能够显著改善弱地震信号的去噪效果,还提升了计算效率。该方法具有一定的实际应用价值。

基于SVD-ILMD的暂态电能质量扰动定位检测方法

为实现对电网非平稳扰动信号的快速、准确分析,提出了融合SVD(奇异值分解)与ILMD(优化局部均值分解)的暂态电能质量扰动定位检测方法。首先,通过ILMD与模糊隶属度函数阈值处理噪声信息,削弱噪声干扰;然后,构造差值信号并利用滑窗SVD增强扰动特征,进一步抑制噪声干扰;最后,基于特征增强信号提出一种自适应阈值截断的暂态电能质量扰动定位检测方法。经仿真分析与算法对比,验证了所提方法定位准确、抗噪性强、计算量小,对过零与微弱扰动也有较好的定位效果。

基于SVD和1DCNN的滚动轴承故障诊断

为实现轴承故障的诊断,本文提出一种基于奇异值分解(SVD)和一维卷积神经网络(1DCNN)的分类算法,即将一维信号转为二维数据并重构,建立检测模型,将重构信号和原始信号分别输入1DCNN模型检测,最后通过混淆矩阵和准确率评估模型。结果显示,SVD结合1DCNN模型比传统1DCNN模型在不同工况下的准确率提高了1.57%和0.4%,具有一定参考价值。

基于CRS-LMD和SVD的MMC-HVDC线路故障测距方法

直流输电线路故障行波波速不确定、波头提取困难以及噪声干扰等因素制约了直流电网中故障测距技术的应用。为了降低上述因素对定位准确性的影响,提出一种基于局部特征有理样条插值均值分解(LMD based on characteristic rational spline,CRS-LMD)和奇异值分解(singular value decomposition,SVD)的故障测距方法。首先,利用特征尺度选取最优极点系数,结合有理样条插值调节拟合曲线的松紧程度,实现对故障电压行波的局部均值分解。其次,采用奇异值分解对故障行波波头进行准确提取。最后,在PSCAD/EMTDC中搭建了张北±500 kV柔性直流电网的仿真模型,模拟各种故障情况并输出故障数据,利用Matlab对故障数据进行处理并验证定位算法。最后,仿真结果表明,所提故障测距算法在不同故障距离和故障类型下均能实现故障测距,且在叠加噪声和过渡电阻的情况下也能保障较高的精确性。

基于SVD-K-means算法的软扩频信号伪码序列盲估计

针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。

基于K-SVD算法的数字图像自适应修复方法

为了提升数字图像的完整性和清晰度,提出一种基于K-SVD算法的数字图像自适应修复方法。通过FCM算法将数字图像划分成不同的图像块,将不同类别的数字图像依据K-SVD算法的稀疏编码和字典更新模块进行训练,获取各个不同类别数字图像块的字典,求出其稀疏系数,结合字典和稀疏系数更新数字图像中的每一类图像块,完成数字图像中每一类图像块的修复或重构,将修复好的图像块放回原数字图像中,实现数字图像的自适应修复。实验结果表明,该方法能够有效地恢复图像的细节和结构,修复后的数字图像均方根误差低,并且具有较高的峰值信噪比,同时,修复后的数字图像与原图像的结构相似性高达0.95,且在数字图像修复效率方面具备显著优势。

二级减速器故障系统建模及SVD-MMSE劣化评估

为检测故障齿轮劣化程度并进行有效的程度评估,通过有限元法建立含有正常、裂纹和断齿等3种齿轮状态的二级直齿轮减速器系统模型。首先,分别计算3种状态的齿轮时变啮合刚度,并综合考虑轴承支撑刚度,得到了3种不同状态下的轴承振动响应;其次,引入多元多尺度样本熵(multivariate multiscale sample entropy,简称MMSE)对故障齿轮的劣化程度进行分析;最后,引进奇异值分解(singular value decomposition,简称SVD)算法进行预处理,以达到更好的诊断效果来综合评定故障齿轮生命周期的劣化程度。结果表明:齿轮发生故障时,主要导致时频域信号发生转频调制,时域存在有规律的冲击,频域出现边频带,且分布在输入轴的转频及其倍频和啮频及其倍频处;随着故障程度的增加,劣化越发明显,频率成分也发生改变,致使MMSE值也随之变化,且整体呈单调递减趋势;SVD-MMSE算法能有效地对齿轮故障程度进行判别,降低了噪声对于劣化程度检测准确性的影响。

基于SVD-DAUKF算法的锂离子电池可用容量损失估计方法

锂离子电池以高能量密度、高功率密度和长使用寿命的特点被广泛应用于储能系统中。在长期运行状态下,可用容量的准确估计是储能系统参与电力调节的关键。为了解决这一问题,提出了一种基于奇异值分解的双自适应无迹卡尔曼滤波算法(singular value decomposition-double adaptive unscented Kalman filter,SVD-DAUKF)的锂离子电池可用容量损失估计方法。构建了考虑老化的电池可用容量表达式;利用SVD-DAUKF算法结合等效电路模型,进行模型参数辨识和电池荷电状态估计;结合参数辨识结果和可用容量定义,在1 C下进行可用容量损失估计结果的验证,可用容量损失估计误差低于4%。

基于SVD-Schmidt正交化的压缩感知测量矩阵的优化

压缩感知(CS)理论中测量矩阵的性能优劣直接影响信号重构性能。为了优化测量矩阵提高其重构性能,本文提出了一种基于奇异值分解-施密特(SVD-Schmidt)正交化的CS测量矩阵优化方法。首先对测量矩阵进行奇异值分解(SVD)并选择最大的奇异值替换原来的奇异值形成新的矩阵,同时对其进行施密特正交化,对矩阵的列进行单位化,通过行和列不断循环交替自适应迭代优化得到优化后的测量矩阵。通过一维信号和二维图像的仿真实验验证所提方法的优越性。一方面,本文方法优化的测量矩阵互相关性明显降低;另一方面,实验仿真结果证明了测量矩阵经过优化之后提高了信号重构性能,本文方法重构性能优于现有的SVD法和特征值分解法。

基于视觉密码和DCT-SVD彩色图像水印技术

本文提出了一种基于视觉密码和DCT-SVD的彩色图像水印算法,通过视觉密码方案将彩色秘密水印图像拆分成3份与彩色秘密水印图像等大小的分享份图像,并利用待标记图像、水印图像和密钥生成验证信息和测试图像。由版权所有者提供水印图像和验证信息,密钥交由图像所有者保存。当要验证图像所有者的所有权时,会要求图像所有者提供密钥,结合密钥、测试图像和验证信息便可生成水印,若密钥正确,生成的水印可识别为原始水印。将其中一份分享份图像利用DCT-SVD水印算法嵌入到载体图像中并进行攻击测试,利用数字水印的提取算法将分享份图像从遭受常见攻击的载体图像中提取出来,与剩余分享份进行叠加恢复秘密水印图像。实验结果表明,水印具有良好的不可感知性和鲁棒性。

基于改进TVF-EMD与SVD的轴承故障特征提取

滚动轴承早期故障信号微弱,故障特征难以提取。针对此问题,提出一种基于时变滤波经验模态分解(TVF-EMD)模态分量自适应融合与奇异值分解(SVD)降噪的轴承早期故障特征提取方法。为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列本征模态函数(IMF)。为了克服TVF-EMD分解后IMF分量过多的不足,构造包络故障信息能量占比(EREFI)指标,通过EREFI对IMF分量进行降序排列,并依据包络故障信息能量占比递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SVD对最优融合分量降噪,并提取故障特征。通过仿真信号以及2个实测轴承故障信号对所提方法性能进行了实验验证。实验结果表明:所提方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确提取出轴承早期故障特征,实现故障类型的准确识别。

基于改进SVD++算法和K-means++算法的小文件合并方案

文章提出了一种基于改进SVD++算法和K-means++算法的小文件合并方案。通过引入自适应学习率函数和基于并行分组的SVD++算法,优化了小文件的合并过程,以提高Hadoop存储小文件的效率。同时,利用K-means++算法对合并后的文件进行聚类,优化了数据存储方式,降低了存储空间的浪费。在Hadoop平台上进行的实验表明,该方案在保持数据处理准确性和稳定性的同时,显著提升了Hadoop存储与处理小文件的性能。

基于SVD的自适应无迹H_(∞)滤波定位算法研究

针对移动机器人噪声模型不确定性导致定位算法鲁棒性弱、精度低的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)的自适应无迹H_(∞)滤波定位算法。该算法利用无迹H_(∞)滤波融合多传感器数据估计移动机器人位姿,并通过自适应调节滤波器参数γ,提高了移动机器人的定位精度。同时为了提高算法的鲁棒性,采用SVD分解代替常规Cholesky分解,避免了误差协方差矩阵在数值迭代过程中出现负定的情况。实验结果表明:相较于扩展H_(∞)滤波和粒子滤波算法,基于SVD分解的自适应无迹H_(∞)滤波定位算法具有精度高、鲁棒性强的优势。

基于ALIF-SVD的滚动轴承故障诊断

针对滚动轴承故障信号包含大量噪声信号和迭代滤波算法存在模态混叠等问题,提出一种自适应局部迭代滤波算法与奇异值分解算法相结合的滚动轴承故障诊断新方法。首先采用自适应局部迭代滤波算法对故障信号进行处理得到若干个内禀模态函数,计算出样本熵后设定阈值进行信号重构;然后进行奇异值分解,绘制差分谱曲线;最后根据差分谱中的突变位置进行二次重构,进一步完成降噪。本工作将该方法应用于凯斯西储大学的轴承数据进行验证,实验结果表明该方法解决了迭代滤波算法存在的模态混叠问题以及大量噪声信号冗余问题,体现了该方法在滚动轴承故障诊断中的有效性。

利用LMD-SVD方法进行GNSS坐标时间序列降噪

为降低噪声对GNSS坐标时间序列的影响、有效提取时间序列中的有用信息,在局部均值分解(LMD)降噪方法的基础上引入奇异值分解(SVD)方法,建立了LMD-SVD方法。首先通过LMD方法将时间序列分解为若干个乘积函数(PF)和余量,PF分量可反映时间序列的时频分布特性;然后通过连续均方根误差方法确定高频分量与低频分量的分界点;最后对经SVD方法降噪后的高频分量、低频分量和余量进行重构,得到最终降噪结果。利用5个GNSS测站U方向坐标时间序列对该方法进行验证。结果表明,相较于单一LMD方法,LMD-SVD方法结果的信噪比与相关系数分别提高了34.28%与17.11%,均方根误差降低了51.31%,降噪效果更好。

基于SVD-SUKF的水下机器人电池SOC估计

荷电状态(SOC)的准确估计关系到水下机器人的电池使用效率与任务规划。针对传统SOC估计算法存在的准确性、稳定性和鲁棒性不足等问题,提出一种奇异值分解增强的球型无迹卡尔曼滤波(SVD-SUKF)SOC估计算法。建立2阶Thevenin电路模型,并使用遗忘因子递推最小二乘法对模型参数进行在线辨识;在无迹卡尔曼滤波算法的基础上引入球型无迹变换和奇异值分解,避免繁琐的调参过程、减少算法计算量以及解决算法的协方差矩阵非正定问题;采用城市道路循环工况对SVD-SUKF算法进行验证。结果表明:SVD-SUKF算法收敛速度较快,平均绝对值误差为0.006 8、均方根误差为0.005 6,算法相较于扩展卡尔曼滤波和无迹卡尔曼滤波有更高的估计精度、更好的稳定性和更强的鲁棒性。