奇异谱分解联合互信息的主轴轴承故障特征提取研究

奇异谱分解(singular spectrum decomposition, SSD)算法存在当信号信噪比较低时降噪能力较差以及敏感分量个数难以确定的问题。针对上述问题,提出了SSD联合互信息理论(mutual information, MI)的主轴故障特征提取方法。首先,将轴承振动信号经过SSD分解,得到多个奇异谱分量(singular spectral component, SSC);然后分别计算原始信号与SSC之间的互信息,选择最小互信息(minimum mutual information, MinMI)处的分量为最佳分量。由于背景噪声的影响,选取的最佳分量故障特征频率并不明显。因此,基于振动信号特点与互信息理论提出了差分突变互信息(differential mutation mutual information, DMMI)的有效分量保留方法,通过对计算相邻SSC之和之间的MI值,保留突变点内的分量作为敏感信号,在此基础上再依据MinMI原则设计带通滤波器,对敏感信号带通滤波并进行包络解调以提取故障特征频率。通过仿真信号与真实主轴轴承数据分析表明,对信号进行DMMI保留敏感分量,结合MinMI准则的自适应滤波处理在主轴轴承故障特征提取方面表现了优异的性能。

改进奇异谱分解及其在轴承故障诊断中的应用

针对强背景噪声下难以提取滚动轴承故障特征的问题,提出了基于奇异值差分谱的改进奇异谱分解方法.首先,为克服奇异值分解按经验选择嵌入维数的不足,运用一种新的信号自适应处理方法--奇异谱分解(Singu-lar Spectrum Decomposition,SSD)分析振动信号,SSD法通过构建新的轨迹矩阵,自适应选取嵌入维数,将非线性、非平稳信号从高频至低频分解为多个奇异谱分量.然后,针对奇异谱分解方法重构的奇异谱分量仍包含较强噪声的问题,提出利用奇异值差分谱对重构过程进行改进,提高了奇异谱分解的降噪能力,有效提取了有用信息.最后,根据故障特征找到包含有用信息的分量,对该分量进行希尔波特包络解调,从而准确地提取出故障特征.仿真和实验结果验证了该方法的有效性,提供了一种新的故障诊断方法.

变转速工况下基于改进奇异谱分解和1.5维包络阶次谱的风电机组轴承损伤识别

为实现变转速工况下风电机组轴承故障损伤的准确识别,提出一种基于改进奇异谱分解(ISSD)和1.5维包络阶次谱的诊断方法。针对奇异谱分解存在的端点失真和奇异谱分量数量判定问题,提出极限学习机延拓结合窗函数的端点效应抑制策略以及基于Person相关系数的分量数量判定策略。首先,通过计算阶次追踪算法对拾取的信号进行等角度重采样,继而对重采样角域信号进行ISSD处理;为便于后续分析,利用排列熵指标从ISSD处理结果中筛选出最佳主敏感奇异谱分量,对其执行对称差分能量算子解调运算,并计算所得包络信号的1.5维谱;最后通过分析1.5维包络阶次谱中的阶次成分准确判定轴承运行状态。实验台信号及实测工程信号验证表明,所提方法能有效提取变转速工况下风电机组轴承损伤特征,具有一定工程参考价值。

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(ISSD)结合奇异值分解(SVD)的齿轮故障特征提取方法。针对奇异谱分解(SSD)算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。

优化奇异谱分解方法在轴承故障诊断中的应用

奇异谱分解在处理强噪声信号时获得的模态分量可能包含期待频段之外的信息,会造成严重的模态混叠现象并影响分析效果,深入研究发现造成上述现象的原因是迭代过程中轨迹矩阵的嵌入维数设定不合理。在大量数据分析的基础上提出了一种优化的奇异谱分解方法(OSSD),以迭代过程中划分的频段及重构分量时特征向量的选择为依据确定新的参数并设定嵌入维数,不仅可以使构造的轨迹矩阵更加合理,还可以使分量的重构更加准确。仿真及试验分析表明,该方法可以有效抑制模态混叠现象,减少分解所得分量在频域上的能量泄漏,准确提取滚动轴承振动信号中的故障特征。

聚类奇异谱分解方法及其在机械复合故障诊断中的应用

针对奇异谱分解(Singular Spectrum Decomposition,简称SSD)方法在重构奇异谱分量(Singular Spectrum Compo-nent,简称SSC)时的不足,结合聚类理论,提出了聚类奇异谱分解(Clustering Singular Spectrum Decomposition,简称CSSD)方法。该方法首先对时间序列数据构造轨迹矩阵;然后通过奇异值分解获得若干奇异值向量矩阵和特征值矩阵;接着利用对角平均化得到初始单分量;最后采用层次聚类方法计算任意两个初始单分量之间的相似度,并完成单分量的重构获得聚类奇异谱分量(Clustering Singular Spectrum Component,简称CSSC)。通过仿真信号和机械复合故障信号的分析结果表明,相比较于SSD方法,CSSD方法具有优越的分解性能并可以有效地提取出机械复合故障的特征。

基于奇异谱分解的玉米价格多尺度组合预测

为提高玉米价格预测精度,基于分解-重构-集成思想,构建一个基于奇异谱分解的多尺度组合模型。首先对原始序列进行奇异谱分解,并用对角平均法将分量序列重构,用作单个模型的输入,最后用BP神经网络对各单一模型输出进行非线性集成。对比分析了分别将原始序列、重构序列作为输入,各单一模型和多尺度组合模型的预测效果。结果表明,该研究所建模型要优于各单一模型。基于价格总体趋于平稳的情况,政府应结合实际情况适当采取措施以保障玉米价格的持续稳定。

基于改进奇异谱分解的形态学解调方法及其在滚动轴承故障诊断中的应用

针对强背景噪声及干扰源信号影响下滚动轴承故障特征难以检测的问题,提出一种基于改进奇异谱分解的形态学解调方法用于轴承故障诊断。首先,为了克服奇异谱分析按经验性选取嵌入维数长度的缺陷,采用一种新的自适应信号处理方法——奇异谱分解(Singular spectrum decomposition,SSD)进行振动信号分析,该方法通过构建一个轨迹矩阵与自适应选择嵌入维数长度,将非平稳信号从高频至低频依次划分为若干个单分量信号。针对奇异谱分解在分量序列重构过程中两端数据会偏离实际数据值进而引起端点效应现象的问题,提出运用特征波形匹配延拓法对奇异谱分解进行改进,提高其对振动信号的分解质量,获得一系列更接近实际曲线的单分量序列。为准确提取单分量中蕴含的有用故障特征信息,提出一种基于特征能量比自适应确定结构元素最佳尺度的自互补顶帽变换对单分量信号进行形态学解调。最后,分析解调结果的频谱特征并提取突出频率成分,实现轴承故障类型的准确判别。仿真和实测信号分析验证了方法的有效性。

基于奇异谱分解和两层支持向量机轴承故障诊断方法

为了解决轴承故障诊断数据样本量少,背景噪声干扰大和准确率不高的问题,提出一种基于奇异谱分解(Singular spectral decomposition,SSD)和两层支持向量机(Two-layer support vector machines,TSVM)的轴承故障诊断方法SSD-TSVM。该方法首先采集信号构建信号矩阵,然后对矩阵进行奇异谱分解,得到奇异谱分量(Singular spectral component,SSC)和残差。根据改进的峭度准则选取奇异谱分量,进行矩阵重构,完成重构后进行特征提取,生成特征向量矩阵作为TSVM的输入。在输入层完成降维处理生成新的特征向量矩阵,在输出层进行轴承故障类型分类。最后分别采用西储大学公开轴承数据集和实验室风机轴承数据集进行验证。与多种其他故障诊断方法对比表明,SSD-TSVM方法在轴承故障诊断方面具有更高的准确率。

基于奇异谱分解的猪肉价格组合预测

通过奇异谱分析方法分解猪肉价格,采用ARIMA模型、SVM模型和BP神经网络模型对分解后的猪肉价格进行组合预测;同时选择ARI⁃MA,SVM和BP神经网络作为基准模型,把组合模型预测的结果与所选的基准模型预测结果进行对比,得到了组合模型预测结果总体上优于基准模型预测结果的结论。通过DM检验,进一步验证了结果的可靠性。预测结果表明,SSA组合模型的预测能力平均比ARIMA、SVM和BP神经网络3种基准模型的预测能力分别高出7.97%、72.79%、67.64%.

张量奇异谱分解与极限学习机的故障诊断方法

针对滚动轴承故障诊断问题,提出张量奇异谱分解(TSSA)与极限学习机(ELM)相结合的诊断方法。TSSA将一维时域振动信号转换成三阶张量,使用标准张量分解对三阶张量进行分解并重构回一维时域振动信号;为了验证TSSA的有效性,将奇异谱分解作为对比方法,仿真结果表明:TSSA重构后的信号能够找到故障特征倍频,其效果优于奇异谱分解。从重构时域信号中提取时域特征参量,并使用ELM网络对其实施诊断;为验证ELM的有效性,将BP、SVM作为对比算法,诊断结果表明:从诊断准确率、样本比例、诊断时间方面而言,ELM的性能比BP、SVM要好,ELM更适宜于轴承故障诊断。

基于奇异谱分解的三相电力变压器振动噪声抑制方法

针对当前噪声抑制方法对非线性噪声信号的抑制效果不佳、抑制后仍存在非线性漂移的问题,提出基于奇异谱分解的三相电力变压器振动噪声抑制方法。计算振动噪声奇异频谱带宽,获取特征向量重构成分。构建振动噪声漂移矩阵,改善特征分量重构特性。计算残余项和原始信号之间的标准差,得到噪声信号漂移轨迹的最优解。以仿真信号为研究对象,增强噪声信号漂移轨迹特征,解决非线性漂移问题。使用端点抑制策略抑制三相电力变压器振动噪声,通过组合窗函数避免两端突变,保证噪声信号不失真。实验结果表明,提出的方法能够有效解决非线性漂移问题,且经过噪声抑制后得到的频谱幅值与理想情况基本一致,只存在0.1 m/s^(2)的误差,说明抑制效果较好。

奇异谱分解结合改进的广义相关法对时延估计的优化

针对模拟信号进行时延估计时相比解调过的信号更易受到噪声影响,导致出现误判点增多、正确峰值被掩盖等问题。本文提出采用奇异谱分解结合改进的广义相关法,降低高斯噪声对时延估计结果的影响。Simulink仿真实验表明,相比于解调信号时延估计法,该方法可在更低发射频率需求下得到同量级精度的故障类型和距离信息。在-5 dB高斯噪声环境下多次实验验证可得,相比二次相关法结果主峰值旁瓣比绝对值增加了0.6756 dB以上,误判峰值与故障点峰值比减少了0.2710以上,其他条件下亦有不同程度提升。

基于奇异谱分解和双重注意力机制的超短期光伏功率预测方法

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题,提出一种结合奇异谱分解(SSD)、双重注意力机制和双向门控逻辑单元(BiGRU)时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性;然后利用BiGRU网络对分解后的信号进行时序建模,并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块,对BiGRU网络提取的特征进行权重加权;最后经过决策层获得最终的光伏功率预测结果。实验结果表明,SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度,在不同季节和不同天气情况下均优于其他几种经典方法,具有较高的实用价值。

基于奇异谱分解的回转窑故障识别研究

作为水泥工业的重要生产设备,回转窑的运行状态决定了企业的生产效益。主要针对回转窑托轮振动信号为媒介对其故障识别做出研究,将奇异谱分解等信号分解方法应用于回转窑托轮振动信号的分解和重构,使用分解得到的托轮、筒体谐波幅值和重构信号的时域特征构建特征向量输入到分类模型中。针对特征维数过高可能造成的分类准确性差异,使用主成分分析方法对特征集进行降维处理,最后采用降维后的特征集建立故障分类模型对样本数据进行故障识别分类,结果表明,奇异谱分解能更好地实现信号分解与重构,降维特征集训练出的分类器能更准确地识别出回转窑的故障类型。

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解(SSD)和变分模态分解(VMD)2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。

成像测井电导率图像空白带奇异谱插值和缝洞孔隙度分离方法

针对微电导率扫描成像测井得到的电导率图像的4个空白带,研究了图像数据空白带自适应填充的奇异谱分析插值方法,继而采用多尺度形态学滤波方法提取基质孔、裂缝和溶蚀孔洞孔隙度,更好地适应了缝洞性储层的强非均质和随机缝洞孔隙分布。利用二维电导率数据的奇异谱分析实现了成像测井电导率数据的空白带自适应填充,重建了完整的井壁电导率图像;基于多尺度形态学滤波对电导率数据进行噪声压制和基质孔与缝洞孔隙的分离,得到了3类孔隙度分布。将所研究的方法应用于某油田区块的3口井,验证了方法的有效性和实用性。

基于同步多分解集成预测方法的中国碳价格预测

本文采用奇异谱分解(SSA)、经验模态分解(EMD)和改进的变分模态分解(OVMD)三种不同的分解方法对北京、深圳、湖北三个碳交易所的碳价格数据进行同步的多通路分解,再通过K均值聚类方法重构分解得到的子序列,对重构后的序列利用Adaboost-ELMAN方法进行预测,最后借用BP神经网络对预测结果进行非线性集成。结果显示,该模型的预测精度优于基准模型,并验证了多通路分解方法能够有效地提高分解—集成预测框架下我国碳价格预测的预测效果。

基于SSD和1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障信号信噪比低、较难提取的问题,提出了基于奇异谱分解和1.5维谱的滚动轴承故障诊断方法。首先,利用SSD处理振动信号得到一组奇异谱分量;然后,根据峭度准则选取最佳分量并进行包络解调;最后,计算包络信号的1.5维谱并分析谱图中提取到的故障特征信息,实现故障类型的准确判定。试验结果表明,该算法能够有效提取轴承内、外圈早期微弱故障的特征信息,与单一方法及EMD相比具备更佳的诊断效果。

基于分解–集成方法的铁路客运量预测

铁路客运量预测是铁路运输组织管理工作的重要基础和主要依据之一。本文建立多种分解–集成方法对全国铁路月度客运量进行预测分析。分别利用集合经验模态分解(EEMD)、奇异谱分解(SSA)和小波分解(WT)将原始序列进行分解,再分别使用季节差分移动自回归模型(SARIMA)模型和反向传播神经网络(BP)模型及其组合模型对分解后的子序列进行拟合、预测和集成。对比研究发现采用分解–集成方法有助于提高相关模型的预测准确性,且EEMD-SARIMA-BP组合模型在所有模型中预测效果最佳。