基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。

基于结构风险最小化原则的奇异值分解降噪研究

针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题,提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论,把有效秩阶次的选择看作是一个学习过程,利用结构风险最小化原则来代替传统的经验风险最小化,从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明,该方法不但具有较好的降噪精度和算法稳定性,而且降低了消噪模型算法的复杂度。

一种基于SVD降噪和CNN分类的无线信号调制识别方法

针对低信噪比下噪声干扰导致的调制信号识别精度不足的问题,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)降噪和卷积神经网络(Convolutional Neural Network,CNN)分类的无线信号调制识别方法SVD-CNN。该方法提出了基于SVD的信号降噪模块来对输入信号进行降噪,设计了一维符号级CNN架构来直接识别信号特征并分类。针对高斯、瑞利信道下的调制仿真数据集,将提出的方法与典型调制识别方法如CNN识别方法、瞬时特征-全连接神经网络(Instantaneous Characteristic-Fully Connected Neural Network,IC-FCNN)识别方法进行了对比实验。实验结果表明,所提方法在低信噪比下具有更高的识别精度,在信噪比为0 dB时平均识别准确率提升近38%~49%。

ISVD降噪和重排谱图在烟机信号HHT时频谱分析中的应用

针对基于希尔波特黄变换(HHT)的时频谱存在受噪声影响大、高频部分时频分辨率低的缺点,提出将迭代奇异值分解(ISVD)降噪和重排谱图应用于HHT时频谱分析中。首先对噪声对HHT时频谱的影响进行了分析,含噪实测信号经过经验模式分解(EMD)得到的基本模式分量(IMF)中含有很强的噪声成分,从中提取的瞬时参数不具有物理意义,构成的HHT时频谱混乱而不准确;然后利用ISVD降噪对实测信号进行了降噪处理,有效地去除了噪声,降噪后信号EMD分解得到的IMF分量其Renyi信息接近于0,是近似平稳的单分量信号,从中可以提取到准确的瞬时参数,构成特征清晰、分布合理的HHT时频谱;最后对HHT时频谱中高频部分所对应的IMF分量进行了重排谱图分析,实现了其时频特征的准确定位。结果表明,该方法可以有效地提高烟气轮机信号HHT时频谱分析的准确率,为故障诊断提供可靠的特征依据。

EMD与改进SVD联合的脉冲涡流检测信号降噪方法

针对脉冲涡流检测信号非平稳性特点和强背景噪声干扰问题,提出一种经验模态分解(EMD)与改进奇异值分解(SVD)联合的信号降噪方法。首先将信号经EMD分解成一系列的固有模态函数(IMFs),根据各固有模态函数与原信号相关系数,将固有模态函数分为信号主导分量和噪声主导分量。然后使用改进SVD降噪方法对噪声主导分量进行降噪,并与信号主导分量重构得到降噪信号。基于仿真信号和实测信号对新方法的优越性和有效性进行验证,在对实测信号采用该方法处理后,结果表明该方法能将涡流检测信号信噪比提高至30.95 dB,均方误差降低至0.0260,能有效消除强噪声的干扰,为信号特征量的准确提取奠定基础。

一种改进的HOSVD降噪的信道预测算法

基于高阶奇异值分解(High Order Singular Value Decomposition,HOSVD)降噪的信道预测算法对天线数较少引起的秩不足问题比较敏感,同时也难以应付较大多普勒频移的情况,从而引起信道估计性能和预测性能的急剧下降、损失信道容量.针对这一问题,提出了一种改进的使用HOSVD降噪的信道预测算法.该算法先利用多输入多输出(Multiple-input Multiple-Output,MIMO)信道固有的空时相关性对采样得到的信道状态信息(Channel State Information,CSI)进行矩阵重排和数据平滑处理,随后基于信道的多维结构特性,使用HOSVD降低噪声的影响,继而重构信道矩阵,最后利用递归最小二乘滤波器对未来时刻的信道状态进行预测.仿真表明,所提算法的估计误差和预测误差性能均明显优于对比算法,这是因为所提算法通过矩阵重排和空时平滑,虚拟地增加了天线数,降低了秩缺失问题对估计和预测精度的影响,从而有效补偿了因误差所致的信道容量的损失.同时,对比天线数和多普勒频移对不同算法性能的影响可见,所提算法也能在大多普勒频移和天线数较少等不利条件下提供较好预测性能和信道容量,具有一定的优越性.

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。

基于增广SVD-MWKF的激励识别与结构响应重构

针对传统卡尔曼滤波算法在结构响应重构应用中需要外部激励及测量噪声方差先验已知的问题,提出一种基于增广SVD-MWKF(Singular Value Decomposition-Moving Window Kalman Filter)的激励识别与结构响应重构方法。首先,引入奇异值分解降噪技术以优化移动窗口法对测量噪声方差的实时估计。随后使用基于增广状态空间方程的卡尔曼滤波算法并结合部分测点的加速度测量数据,实现对结构外部激励的识别及各位置的速度、加速度响应的重构。最后,对起重机桁架和简支梁分别进行数值模拟和试验分析,结果表明,相较于移动窗口法,所提方法对测量噪声方差估计更加准确,且对外部激励能进行有效识别。

分形法在发动机隐含故障诊断中的应用

在对发动机的机械故障诊断中 ,由于其结构复杂常使其故障特征不明显 ,为此提出用分形法对某些隐含故障进行诊断。介绍了分形法诊断故障的基本原理 ,并利用奇异值降噪技术和分形维数法对隐含故障的特征进行了提取 ,实现了对发动机轴承隐含故障的诊断。诊断结果表明 ,发动机轴承正常状态下的分形维数为 4.4,出现明显故障时轴承的分形维数为 5 .3,出现隐含故障时轴承的分形维数为 5 .37。由此可以看出 ,用分形维数可以诊断隐含故障 ,说明分形诊断法能从本质上反映故障的结构特征。

优化EMD法及其在航空发动机振动信号分析中的应用

针对脉冲噪声和随机噪声对经验模式分解所产生的模式混叠和端点效应问题,提出了一种中值滤波-奇异值分解(Median Filter-Singular Value Decomposition,简称MF-SVD)联合降噪的优化经验模式分解方法.利用中值滤波对脉冲噪声的去除能力和SVD对随机噪声的抑制能力,同时为了解决SVD降噪中降噪阶次难以确定的问题,提出了能量差分谱的概念改善了SVD降噪能力.联合中值滤波和改进后的SVD降噪方法去除脉冲噪声和随机噪声干扰,有效改善经验模式分解质量.将该方法应用到航空发动机振动试飞数据分析中,很好地获取了表征自由涡轮转子和燃气发生器转子振动特征的数据分量,有效抑制了模式混叠和端点效应,验证了优化经验模式分解方法应用的有效性.

基于SVD和VMD的轴承微弱故障特征提取及分析

针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法。该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加权峭度指标来筛选IMF分量进行重构;最后通过对IMF重构信号进行包络谱分析清晰看到故障特征频率。仿真分析和两种不同轴承试验的结果表明,所提出的方法可有效地抑制噪声,并能得到反映实际故障信息的信号。

基于神经网络的往复压缩机缸套故障诊断研究

往复压缩机是油田生产的关键设备,结构复杂,激励源多,易发生故障。其中缸套是往复压缩机的重要部件,对其进行故障诊断具有十分重要的意义。首先对采集的缸套振动信号预处理,应用奇异值降噪方法提高信噪比。然后利用时域、频域分析对降噪后的信号提取特征参数,把提取的特征参数作为神经网络的输入实现缸套的故障建模和故障诊断。试验表明,提出的方法具有较高的故障识别率,正确率达到80%。

铁道车辆扁疤识别与定量估计

扁疤是铁道车辆车轮踏面常见的故障之一,扁疤的出现对列车正常运行有较大的危害,目前列车车轮无损检测以人工扫描为主,此方法检修周期长且效率低。为实现对车轮踏面扁疤的实时监测,本文提出了一种基于奇异值差分谱降噪与BP神经网络相结合的方法。该方法可通过轴箱振动加速度来识别车轮扁疤故障并对扁疤长度进行定量估计。首先对采集到的轴箱振动加速度信号进行奇异值差分谱降噪、包络、快速傅里叶变换,根据频谱中是否存在与车轮扁疤引起轴箱振动加速度特征频率相关的频率成分来定性的识别车轮扁疤故障。若诊断存在扁疤故障则从频谱图中提取该速度下车轮扁疤引起轴箱振动加速度特征频率的1~4倍频所对应的幅值,将车速以及提取出的幅值输入到训练后的BP神经网络模型中来对扁疤长度估计。通过仿真实验验证该方法能够快速准确地识别出车轮扁疤故障,且对车轮扁疤长度估计误差在3.5 mm内。