多分辨SVD包理论及其在信号处理中的应用

在奇异值分解(singular value decomposition,SVD)中提出了一种矩阵递推构造和分解算法,利用SVD实现了一种类似于小波包的信号分解方式,称之为多分辨SVD包.推导了多分辨SVD包的分解和重构算法,并提出一种用二维数组来存储这种包的三维数据的方法,避免了对内存的浪费.实例结果表明,这种包对信号的微弱变化具有优良的检测能力,其检测结果无幅值和相位失真,并能精确定位微弱变化的位置,这种包也能有效提取复杂信号中的弱故障特征,在这两方面均明显优于小波包的处理结果.

基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆,工作过程中会产生周期性的冲击信号,使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取,提出了一种基于多分辨奇异值分解(SVD)包和最小熵解卷积(MED)的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解,分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理,将处理后的信号与前4层的细节信号进行信号重构和频谱分析,得到故障特征频率,最后将得到的故障特征频率与理论计算值进行对比,判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比,该方法对柔性薄壁轴承的故障特征提取效果更好。

基于EEMD和多分辨SVD包的滚动轴承故障诊断方法

针对传统EEMD不能有效提取滚动轴承故障特征信息,提出了EEMD和多分辨SVD包的诊断方法。该方法首先使用EEMD方法分解故障信号,得到一组故障信号的IMF分量,再通过相似度计算,筛选出与故障信号相似度最高的IMF分量。使用多分辨SVD包分解已筛选出的IMF分量,根据分解后的频谱,与标准值作对比,诊断分析出轴承的故障类型。将本文方法应用到滚动轴承的故障诊断,实验结果表明本文提出的方法能有效地提取到轴承的故障特征信息。

基于多分辨奇异值分解包和随机森林的电能质量扰动分类研究

为解决电能质量扰动的分类问题,利用多分辨奇异值分解(Singular Value Decomposition, SVD)的信号逐层分解方式,提出基于多分辨SVD包与随机森林(Multi-Resolution SVD and Random Forest, MRSVD-RF)的电能质量扰动分类方法。通过实验证明了该算法对单一和复合电能质量信号的分类效果明显优于分解结构相似的基于的小波包的信号分解方式,比较了分类器模型的选择和特征提取数量对算法性能的影响。

结合形态滤波与多分辨率SVD包的电能质量扰动检测

针对电能质量的扰动检测问题,以电流信号为研究对象,提出结合形态滤波与多分辨率奇异值分解(singular value decomposition,SVD)包的电能质量扰动检测算法。根据形态学滤波器计算特点,采用余弦结构元素,对滤除噪声后的信号构造矩阵进行多分辨率SVD包分解,通过分解后的高频分量特征检测扰动,结合自适应阈值判断是否发生扰动,利用仿真对其进行验证。仿真实验结果表明:该算法相较于普通形态学与SVD方法有更好的抗噪能力,且可实现对扰动信号的快速、准确定位。

多分辨奇异值分解理论及其在信号处理和故障诊断中的应用

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。

联合SVD在滚动轴承复合故障诊断中的应用

针对滚动轴承复合故障信号中故障特征难以分离,且含有强烈噪声的问题,提出了联合SVD的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量即可实现复合故障的分离;然后将分解得到的分量利用SVD差分谱进行消噪;最后对消噪后分量进行希尔伯特包络解调,由此实现对复合故障特征信息的提取和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。

基于优化MRMR和极限学习机的轴承故障诊断

为充分利用滚动轴承在时域、频域和时-频域上的特征值,改善故障诊断准确率,提出一种混合域特征选取方式。对原始信号进行多分辨SVD降噪处理,分别生成时域、频域和时-频域混合特征集。对混合域中含有诸如特征集维数大、各特征值间冗余度过高的缺点,在特征选取上,采用加权最大相关最小冗余的选取方式,以极限学习机分类正确率为依据,从含有18个特征的混合域中最后选取出8个最优特征向量。实验数据分析显示,故障识别精度可达到97.5%,证明该方法可以有效的实现轴承故障类型诊断。