基于L1趋势滤波的飞控传感器降噪方法

针对飞行控制传感器中普遍存在的噪声信号,提出了一种基于L1趋势滤波技术的在线降噪方法。首先简要介绍了L1趋势滤波技术,引入了滑动窗口对算法进行改进以满足实时在线应用需求。以气压计所采集的信号为例,采用原始飞参数据,利用该方法进行降噪处理,并与文献中常用的小波降噪方法进行初步比较,基于Matlab的仿真结果验证了该方法的可行性。

基于动态自学习阈值和趋势滤波的机械故障智能预警方法

针对当前机械在线监测系统报警难以实现机械故障早期预警问题,提出一种智能预警方法。基于在线监测系统大量监测数据统计分析,采用动态的自学习阈值算法计算预警阈值,并应用l1趋势滤波技术消除随机误差获取滤波后的趋势。应用动态自学习阈值替代监测系统中的常规报警阈值,比较自学习预警阈值与滤波后的趋势,实现了机械故障早期预警。工程实例表明,该方法能够对机械故障实现早期预警,对预防机械事故的发生有重要的作用。

L_1和L_2规则化趋势滤波的稳健集成方法

Huber损失函数是稳健回归中的经典方法,Berhu罚函数是L1和L2罚函数的集成。为了从异常值较多的时间序列中提取趋势项,本文结合Huber损失函数和Berhu罚函数,提出一种L1和L2规则化趋势滤波的稳健集成方法,该方法对异常值的干扰不敏感,同时吸收了L1和L2罚函数的优点。模拟数据的分析显示,当时间序列存在异常值,而且内在趋势情况未知时,稳健集成方法是一种很好的折中,可以给出较好的估计结果。

L_1和L_2规则化趋势滤波的稳健估计

当时间序列中包含异常值时,L1和L2规则化趋势滤波不能有效地从中提取趋势成分,因此,文章从稳健性角度出发,用Huber损失函数替代最小二乘损失函数,使用凸优化方法进行求解,得到L1和L2规则化趋势滤波的稳健估计。模拟分析显示,稳健估计量可以很好地抵制异常值的干扰。这种方法可以运用在异常值较多的金融数据中,得到市场趋势的稳健估计。

基于改进l_1趋势滤波的滚动轴承故障诊断

针对轴承故障的振动信号滤波问题,提出了改进l1趋势滤波方法。该方法滤波效果由规则化参数决定,一般根据原始信号的特征信息来确定这个参数。为了提升适用性,最佳规则化参数通过与最大值之间的线性关系来选取。通过实际轴承的内、外圈故障振动信号分析发现,该方法能提取轴承故障特征。同时,相比于经验模态分解方法,改进方法具有更好的特征提取效果。