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。