提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积...提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积混合的机械振动源在观测数小于振动源数情况下的源数估计问题。应用EMD方法获得信号的本征模函数,对两观测信号的本征模函数复合矩阵的相关矩阵进行奇异值分解,获得反映源数信息的特征值分布;再采用BIC信息准则,判断源信号的数目。仿真和试验结果表明,该方法可以在观测数小于振动源数的情况下正确获取信号源数,为机械振动故障诊断中的振动源分析及其源信号的正确分离提供了方法保障。展开更多
文摘提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积混合的机械振动源在观测数小于振动源数情况下的源数估计问题。应用EMD方法获得信号的本征模函数,对两观测信号的本征模函数复合矩阵的相关矩阵进行奇异值分解,获得反映源数信息的特征值分布;再采用BIC信息准则,判断源信号的数目。仿真和试验结果表明,该方法可以在观测数小于振动源数的情况下正确获取信号源数,为机械振动故障诊断中的振动源分析及其源信号的正确分离提供了方法保障。