证明采用Hankel矩阵时奇异值分解(Singular value decomposition,SVD)可以将信号分解为一系列分量信号的简单线性叠加,为了确定其中的有用分量个数,提出奇异值差分谱的概念。差分谱可以有效地描述有用分量和噪声分量的奇异值性质差异,...证明采用Hankel矩阵时奇异值分解(Singular value decomposition,SVD)可以将信号分解为一系列分量信号的简单线性叠加,为了确定其中的有用分量个数,提出奇异值差分谱的概念。差分谱可以有效地描述有用分量和噪声分量的奇异值性质差异,根据差分谱峰值位置可实现对有用分量个数的确定。研究结果表明,当差分谱最大峰值位于第一个坐标时,则表明原始信号存在较大的直流分量,此时根据第二最大峰值位置可以确定有用分量的个数,否则就根据最大峰值位置来确定分量个数。利用差分谱进一步研究Hankel矩阵的结构对SVD降噪效果的影响,指出矩阵列数和噪声去除量存在抛物线状的对称关系。利用基于差分谱的SVD方法对车削力信号进行处理,结果有效地分离出由于主轴箱故障齿轮的振动而引起的调制信号,并根据此信号可靠地定位了故障齿轮。展开更多
提出多分辨奇异值分解(Multi-resolution singular value decomposition,MRSVD)的概念,基于矩阵二分递推构造原理,利用奇异值分解(Singular value decomposition,SVD)获得具有不同分辨率的近似和细节信号,以多分辨率来展现信号不同层次...提出多分辨奇异值分解(Multi-resolution singular value decomposition,MRSVD)的概念,基于矩阵二分递推构造原理,利用奇异值分解(Singular value decomposition,SVD)获得具有不同分辨率的近似和细节信号,以多分辨率来展现信号不同层次的概貌和细部特征。给出MRSVD的分解和重构算法,并从理论上证明这种分解方式的多分辨分析特性。研究结果表明,MRSVD可以精确地检测出信号中的奇异点位置,克服小波检测时的奇异点偏移缺陷,并具有优良的消噪能力,可实现零相移消噪,此外还具有微弱故障特征提取能力,在对一个轴承振动信号的处理中,提取到其中隐藏的周期性冲击特征,实现对轴承损伤的准确诊断。相应地与小波变换结果进行比较,证明MRSVD在信号处理和故障诊断领域是一种很有应用前景的方法。展开更多
对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出...对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。展开更多
为了使短时傅里叶变换(short time Fourier transform,简称STFT)获得良好的时频聚集性,必须根据信号的具体特点来选择窗长。分析了现有窗长选择准则的选择机理及其优缺点,发现归一化3阶Renyi熵准则与Stankovic准则一般只会取到窗长选择...为了使短时傅里叶变换(short time Fourier transform,简称STFT)获得良好的时频聚集性,必须根据信号的具体特点来选择窗长。分析了现有窗长选择准则的选择机理及其优缺点,发现归一化3阶Renyi熵准则与Stankovic准则一般只会取到窗长选择范围的最大值,并分析了出现这种问题的原因,而其他准则得到的也不是最优的窗长。提出了一种新的基于对数窗能量的窗长选择准则。对数窗能量与窗长是一种非线性关系,这显著区别于普通窗能量随窗长线性增长的特性,且其增长速度与窗型无关,并在短窗和长窗具有不同的增长速度,因而能够在短窗和长窗之间取得良好的折衷。提供了仿真信号和实际信号的处理实例,其结果证明对数窗能量准则使STFT获得了良好的时频聚集性,效果优于现有的窗长选择准则。展开更多
文摘证明采用Hankel矩阵时奇异值分解(Singular value decomposition,SVD)可以将信号分解为一系列分量信号的简单线性叠加,为了确定其中的有用分量个数,提出奇异值差分谱的概念。差分谱可以有效地描述有用分量和噪声分量的奇异值性质差异,根据差分谱峰值位置可实现对有用分量个数的确定。研究结果表明,当差分谱最大峰值位于第一个坐标时,则表明原始信号存在较大的直流分量,此时根据第二最大峰值位置可以确定有用分量的个数,否则就根据最大峰值位置来确定分量个数。利用差分谱进一步研究Hankel矩阵的结构对SVD降噪效果的影响,指出矩阵列数和噪声去除量存在抛物线状的对称关系。利用基于差分谱的SVD方法对车削力信号进行处理,结果有效地分离出由于主轴箱故障齿轮的振动而引起的调制信号,并根据此信号可靠地定位了故障齿轮。
文摘提出多分辨奇异值分解(Multi-resolution singular value decomposition,MRSVD)的概念,基于矩阵二分递推构造原理,利用奇异值分解(Singular value decomposition,SVD)获得具有不同分辨率的近似和细节信号,以多分辨率来展现信号不同层次的概貌和细部特征。给出MRSVD的分解和重构算法,并从理论上证明这种分解方式的多分辨分析特性。研究结果表明,MRSVD可以精确地检测出信号中的奇异点位置,克服小波检测时的奇异点偏移缺陷,并具有优良的消噪能力,可实现零相移消噪,此外还具有微弱故障特征提取能力,在对一个轴承振动信号的处理中,提取到其中隐藏的周期性冲击特征,实现对轴承损伤的准确诊断。相应地与小波变换结果进行比较,证明MRSVD在信号处理和故障诊断领域是一种很有应用前景的方法。
文摘对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。
文摘为了使短时傅里叶变换(short time Fourier transform,简称STFT)获得良好的时频聚集性,必须根据信号的具体特点来选择窗长。分析了现有窗长选择准则的选择机理及其优缺点,发现归一化3阶Renyi熵准则与Stankovic准则一般只会取到窗长选择范围的最大值,并分析了出现这种问题的原因,而其他准则得到的也不是最优的窗长。提出了一种新的基于对数窗能量的窗长选择准则。对数窗能量与窗长是一种非线性关系,这显著区别于普通窗能量随窗长线性增长的特性,且其增长速度与窗型无关,并在短窗和长窗具有不同的增长速度,因而能够在短窗和长窗之间取得良好的折衷。提供了仿真信号和实际信号的处理实例,其结果证明对数窗能量准则使STFT获得了良好的时频聚集性,效果优于现有的窗长选择准则。