基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法

针对多变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法在参数估计中存在的缺陷,采用分位数回归(Quantile Regression,QR)代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法(Quantile Regression-Variable Predictive Mode Based Cass Discriminate,QRVPMCD)。采用局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

基于PSO-BP神经网络和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的。将振动信号的谱奇异值作为故障特征,用粒子群优化BP神经网的方法来诊断故障类型,并将该方法与传统BP神经网络做比较分析,实验结果证明,该方法具有收敛速度快、准确度高的特点。

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。

基于奇异值分解(SVD)差分谱降噪和本征模函数(IMF)能量谱的改进Hilbert-Huang方法

针对随机噪声和虚假IMF会导致改进HHT中EEMD分解质量下降和Hilbert谱混乱,提出了一种基于SVD差分谱降噪预处理和IMF能量谱剔除虚假分量的改进HHT。该方法首先对原始信号进行SVD降噪,通过基本不等式原理来确定相空间重组的最佳Hankel矩阵结构,利用奇异值差分谱来确定有效奇异值的阶次;然后对消噪的信号进行EEMD分解,通过IMF能量谱来去除虚假分量;最后对主IMF进行Hilbert谱分析。仿真和实验结果表明,SVD能提高信噪比,抑制噪声对EEMD分解精度的干扰;能量谱能有效地消除虚假IMF对Hilbert谱分析的影响;Hilbert谱中各频率成分清晰,解决了随机噪声和虚假分量对传统改进HHT的不良影响。

奇异值差分谱理论及其在车床主轴箱故障诊断中的应用

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。

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法。首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率。对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率。实验结果表明,提出的方法能有效地应用于轴承的故障诊断。

基于小波—奇异值分解差分谱的弱故障特征提取方法

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。

核磁共振T_2谱奇异值反演改进算法

通过分析最佳奇异值保留个数与信噪比的关系,改进了传统的SVD反演算法,提出了一种新的实现非负约束的迭代方案。数值模拟实验和实际应用表明,改进的奇异值分解算法可以适用于低信噪比(5<SNR<100)的T2谱反演,在信噪比极低时仍能较好地保持弛豫谱分布的真实性,具有解算速度快和T2谱分布连续等优点,解决了传统SVD反演算法在实际应用中存在的计算量大和T2谱分布不连续的问题,可以满足核磁共振测井工作的需求。

基于奇异值曲率谱的有效奇异值选择

为了实现有效奇异值的自动选择,提出了奇异值曲率谱方法.首先分析了Hankel矩阵方式下理想信号和噪声信号的奇异值特点,发现理想信号的奇异值曲线存在一个很大的转折点,噪声信号的奇异值曲线则很平坦.然后提出了奇异值曲率谱的概念,并利用它来描述含噪信号奇异值曲线的转折点情况,分析了曲率谱计算时需注意的问题.研究结果表明,根据曲率谱的最大峰值位置可以确定有效奇异值个数:如果奇异值曲线在曲率谱最大峰值的位置坐标k处是凸出的,则有效奇异值的个数为k;如果奇异值曲线在k处是凹进的,则有效奇异值的个数为k-1.利用此方法来确定轴承振动信号的有效奇异值,提取到了由于滚道损伤而引起的调制现象,据此可靠地判断出了滚道剥落坑总数.

基于HOS奇异值谱的SVDD轴承故障检测方法

针对轴承故障检测中异常样本不易收集、数据分布不均以及阈值设定等问题,提出了基于支持向量数据描述(SVDD)的轴承故障检测方法。该方法只需对正常样本进行训练,以高阶统计矩阵奇异值谱为故障诊断特征,解决了高阶统计特征(HOS)数据冗余且受噪声影响的不足。实验分析了不同参数对检测性能的影响,并将本方法与多层感知机(MLP)方法及K均值聚类方法进行了比较,验证了方法的有效性和正确性。

基于倒谱预白化和奇异值分解的滚动轴承故障特征提取方法

为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。

基于MCCV奇异样本筛选和CARS变量选择法对蜂蜜pH值和酸度的近红外光谱检测

采用Norris平滑加一阶微分数据预处理,蒙特卡洛交互验证(MCCV)的奇异样本筛选和CARS(competitiveadaptive reweighted sampling)变量选择法,用Kennard-Stone(KS)法划分训练集和预测集,偏最小二乘(PLS)回归近红外光谱建模,对蜂蜜pH值和酸度进行定量分析。pH值和酸度校正模型的交互验证决定系数(Rcv2)、交互验证均方差(RMSECV)、预测集决定系数(Rp2)、预测均方差(RMSEP)分别为0.8516和0.8723、0.1214和2.1734、0.8205和0.8250、0.1196和2.4674。结果表明,该方法适于蜂蜜pH值的测定,而不宜用于测定蜂蜜酸度。

基于FFT奇异值分解的光谱信号去噪算法

微型光谱仪在采集光谱信号过程中,光谱数据经常受到来自仪器光学系统和电子电路中的干扰出现噪声和光源特征峰,严重干扰了真实光谱信号的图谱特征,因此需要使用合理的预处理方法保留光谱信号中有用信号并尽可能过滤噪声信号同时将光源特征峰滤除,从而提高光谱信息定量分析的稳健性和准确性。并且在线检测系统要求尽可能减少人为参数选择对去噪效果的影响,奇异值分解经常应用于由系统电路引起的噪声去噪,奇异值降噪阶次的选取对提高信号信噪比十分关键,但是往往参数选取主要依赖经验调试和实验验证。因此,提出了一种基于奇异值重构信号分量频率的光谱信号去噪算法。该算法首先重构原始光谱信号单个奇异值分量信号,然后对每个奇异值分量信号作快速傅里叶变换,得到每个奇异值分量信号快速傅里叶变换结果中振幅最大所对应的频率值,最后按照奇异值递减方式对相应分量信号频率值进行一阶滞后差分,得到频率差分谱,研究表明,差分谱第一个谱峰值在大于设定阈值处所对应的奇异值即为奇异值分解降噪的有效阶次。结果表明:对包含多种重金属离子的溶液在线测量的紫外可见光谱信号,添加不同强度的随机噪声,并进行去噪处理,使用信噪比和均方根误差两个性能指标进行对比。所提算法相较于SG滤波算法和小波变换去噪算法信噪比分别提高了22.05%,10.88%,均方根误差分别降低了74.28%,41.29%。所提算法完全基于数据驱动,在处理真实紫外可见光谱信号中不仅抑制了噪声影响,而且将微型光谱仪的光源特征峰有效滤除,在紫外可见光谱信号的定量分析中具有较好的应用前景。

互补集合经验模式分解与奇异值能量谱在风电齿轮故障识别中的应用

针对风电机组齿轮系统故障模式的有效识别问题,提出一种互补集合经验模式分解(CEEMD)与奇异值能量谱相结合的故障识别方法。利用CEEMD将齿轮非平稳信号分解为有限个平稳的本征模态函数,并将其组成初始特征向量矩阵,对矩阵进行奇异值分解并求出风电齿轮不同工况下的奇异值能量谱分布,以奇异值能量谱为元素构造特征向量,通过计算不同工况振动信号的灰色关联度来判断齿轮的故障类型。实例表明,该方法能有效应用于风电机组齿轮系统的故障诊断。

基于奇异值分解的核磁共振测井T_2谱反演方法的改进

核磁共振测井T2谱反演结果直接影响如孔隙度、渗透率、孔径分布等储层参数的计算和流体识别的准确性。给出了T2谱反演的线性方程组;利用矩阵奇异值分解法(SVD)求该方程组的解,通过对系数矩阵加阻尼项使得该方法数值解稳定,在布点数为11～128、信噪比大于25的情况下拟合精度较高,适用于高信噪比回波数据的反演,并且信噪比越高,反演的T2谱与构造谱的符合率越高。处理了大庆油田古89-47井1块岩心实验室NMR数据,结果表明,改进的SVD法可以快速、有效地反演核磁共振测井T2谱,奇异截止值对解谱效果影响小。利用迭代技术进行解的非负性约束,反演的T2谱和构造谱分布趋势一致,谱线光滑连续;大组分反演效果好,但小组分反演结果与构造谱相差较大,分辨率低;信噪比越高,反演所得的T2谱与构造谱的符合率越高。对无噪声理论回波数据、不同信噪比理论回波数据以及实验室岩心核磁共振测井实测资料进行处理并且与构造谱及实验室反演结果对比表明,该方法可以有效地反演核磁共振测井T2谱。

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。

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。