基于SBF-ISVD的带式输送机声信号增强方法

在带式输送机的声学诊断过程中,其声信号受混响及背景噪声的干扰十分严重,为此,通过分析混响产生的原因和声信号的组成等,提出了一种基于超指向性波束形成(SBF)去混响和改进奇异值分解(ISVD)降噪的声信号增强方法。首先,利用基于能量变化最大值进行了最优频带选择,确定了包含故障信息较多的频带;然后,利用SBF去除了混响对声信号的干扰,采用ISVD方法对去混响后的信号进行了降噪处理,并对信号进行了包络谱分析,对比了实际测得的故障特征频率和理论的故障特征频率,对带式输送机的故障特征进行了提取;最后,设计了实验,采集了实验数据,利用该方法对煤矿现场采集到的数据进行了分析验证,并将其与加权预测误差算法(WPE)和线性约束最小方差(LCMV)相结合的方法以及递归最小二乘法(RLS)进行了对比。研究结果表明:与原信号相比,经SBF-ISVD方法处理后,实验数据包络谱中内圈故障特征频率153.1 Hz及其倍频312.5 Hz处的幅值明显提高,信噪比从-31.39 dB显著提高至-25.4 dB。基于SBF-ISVD的声信号增强方法去混响和降噪效果显著,轴承故障特征提取效果较好,可实现复杂环境噪声下带式输送机声信号增强的目的。

联合ISVD和小波变换的声波全波列测井时频特征研究

声波全波列测井动力学特征的研究通常包括时间域方法和频率域方法,但是2种方法均将时间和频率特征割裂开来。为了改善这一问题,拟探索声波全波列测井时频特征。首先改进奇异值分解,将声波全波列测井信号按照能量高低分解为主信号和次信号,继而利用小波变换,得到各信号分量的时频分布。结果表明,相比致密性地层,裂缝性地层,纵波、横波和斯通利波的时间均有延迟;纵波和横波的主频出现下降;纵波、横波、斯通利波及伪瑞利波幅度均有不同程度的衰减,其中,斯通利波衰减程度最大。

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征,导致对轴承的故障诊断准确率不高,针对这一问题,提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先,采用小波降噪对滚动轴承的原始信号进行了初始降噪,消除了部分的随机噪声;然后,主要通过改进相空间矩阵重构方式,对该信号进行了改进奇异值分解二次降噪,并提出了新的奇异值有效秩阶次确定方法,利用峭度对一维信号提取方案进行了优化,并对其完成了降噪;最后,通过提取了10个有效特征,结合支持向量机在MATLAB中进行了仿真实验,分析了不同特征对轴承的故障诊断结果的影响,并将方法与其他方法进行了对比分析。研究结果表明:采用多级降噪算法降低了轴承工作状态下的背景噪声,使其故障特征频率更为明显;支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。

ISWD-SVD联合方法的变压器振动信号降噪

针对变压器有效振动信号受噪声干扰难以提取的问题,提出一种改进群分解-奇异值分解(Improved Swarm Decomposition-singular Value Decomposition,ISWD-SVD)的变压器振动信号降噪方法。该方法首先将功率谱熵负值作为目标函数,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)寻找群分解算法(Swarm Decomposition,SWD)最优参数;然后,采用最优参数对变压器振动信号进行SWD分解,并剔除剩余分量,得到重构信号;最后,利用SVD去除重构信号中的噪声残留,实现二次降噪。通过对仿真信号与现场信号进行降噪效果验证,并与其他降噪算法进行对比分析。结果表明:ISWD-SVD联合方法对变压器振动信号具有更好的降噪效果,可为变压器机械状态检测和故障诊断提供有力依据。

基于大数据挖掘的光通信微弱信号检测研究

以高效、准确检测噪声淹没下光通信微弱信号为目的,设计基于大数据挖掘的光通信微弱信号检测方法。通过基于改进EMD与奇异值分解全面去除光通信信号中噪声分量,经灰狼算法寻优设置支持向量机参数后,由支持向量机模型构建信号分类超平面,分类检测样本中微弱信号。实验结果表明:光通信信号经所提方法去噪后,信号信噪比变小,最大值仅有0.01 dB;所提方法所检测的微弱信号波动幅值,与微弱信号实际幅值高度匹配,误差不超过1%,可100%检测出噪声淹没下光通信微弱信号的样本。

基于特征组合优化的工业互联网恶意行为实时检测方法

工业互联网中节点数据具有高维、冗余和海量等特性,传统的恶意行为检测模型无法对工业互联网恶意攻击行为做出快速且准确的判断,提出基于特征组合优化的工业互联网恶意行为实时检测方法.采用改进的相关性快速过滤算法和基于奇异值分解的主成分分析算法对工业互联网恶意行为样本数据进行特征组合优化,基于对称不确定性信息度量指标和近似马尔科夫毯准则进行特征相关性计算、冗余特征识别与排除,通过参数特征维度的不同配置得到若干候选特征组合;利用决策树评估器筛选出准确率最高的候选特征组合;通过奇异值分解的主成分分析进一步进行特征降维,得到低维高信息量的最优特征组合;结合极端梯度提升算法和优化的特征组合对工业互联网恶意行为样本进行分类,基于密西西比州立大学多分类电力系统攻击样本数据对本文方法进行了验证;实验结果表明,特征组合优化检测模型训练时间可缩减57.53%,单个样本的平均检测时间为0.002 ms,可减少23.99%,基于特征组合优化的检测模型的准确率、召回率和F1值较特征优化前分别提升了1.11%、1.25%和1.01%.本文方法的突出优势表现为在提升模型检测效果的同时可明显降低模型检测时间,能更好适应工业互联网的实时性要求.

基于SVD-IACMD的GIS振动信号去噪算法

振动测量对发现气体绝缘开关设备(gas insulated switchgear,GIS)潜在性缺陷具有重要意义,但GIS本体振动信号易受基础振动、测量噪声以及环境噪声的影响,使得现场GIS振动带电检测和机械缺陷诊断的效果较差。针对此问题,提出一种基于奇异值分解(singular value decomposition,SVD)-改进自适应啁啾模态分解(improve adaptive chirp mode decomposition,IACMD)的现场振动信号降噪算法。该方法首先利用SVD对原始振动信号进行预处理,滤除低频基础振动和测量噪声,其次利用鱼鹰优化算法(osprey optimization algorithm,OOA)对处理后的信号进行自适应模态分解,得到分解后的固有模态(intrinsic mode functions,IMF)分量,再利用互相关系数筛选有效分量重构振动信号。模拟信号与现场信号测试结果表明:与OOA-自适应啁啾模态分解(adaptive chirp mode decomposition,ACMD)和SVD-变分模态分解(variational mode decomposition,VMD)相比,所提出的SVD-IACMD算法可以去除基础振动、测量噪声和环境噪声,保留GIS本体振动的基频和谐波分量,为GIS现场抗干扰振动检测和机械缺陷诊断提供技术支持。

基于改进奇异值分解的新能源汽车串联型电弧故障检测方法

在电动汽车充电时,通常会遇到一些问题,比如高压线路连接不牢固和线路绝缘老化破损等。这些问题往往会导致电弧故障,严重威胁到充电线路的安全性。由此本文提出基于改进奇异值分解的新能源汽车串联型电弧故障检测方法的研究,该研究旨在快速、准确地检测电动汽车电气系统中的电弧故障。该研究搭建了电动汽车故障电弧实验平台,采集不同工况下干路电流时间序列并建立了样本库。通过使用串联型锂离子电池系统的等效电路模型,构建基于二阶RC模型。最终,通过仿真分析来验证该模型的准确性。

地面核磁共振找水反演

简要介绍了地面核磁共振找水的正演理论方法,采用高斯求积并结合连分式展开的方法对核磁共振核函数中包含双重贝塞尔函数的积分核进行了数值积分,进而计算出精度较高的核函数值,在此基础之上,讨论了导电性对地面核磁共振信号的影响.基于奇异值分解算法,对核磁共振找水理论模型进行了反演研究,在不导电的情况下,重构出了比较理想的含水率分布.总结并改进了模拟退火算法,用改进的模拟退火算法分别对覆盖层高阻和导电条件下的核磁共振人工合成数据进行了反演,试验结果表明,利用改进的模拟退火算法反演地面核磁共振是可行的,而且反演结果较稳定,收敛速度较快.

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.

国家气候中心海气耦合模式汛期降水预报的一种订正方案及其试验

用奇异值分解(SVD)方法,分析了1983～2003年夏季国家气候中心海气耦合模式500hPa高度预报场与中国特别是华中区域降水场、1971～2000年夏季NCEP/NCAR500hPa高度场与中国特别是华中区域降水场的关系。结果表明:夏季NCEP/NCAR500hPa高度场与中国特别是华中区域降水场关系明显较模式500hPa高度场密切,若夏季NCEP/NCAR500hPa高度场南、北半球副热带高压较强(弱),北半球副热带高压主体偏南(北),则长江流域、东北地区中部及青藏高原东侧将降水偏多(偏少)。对比分析结果,发现国家气候中心海气耦合模式存在一定程度的预报误差,如长江流域误差就较为明显。作者提出一种订正方案,利用SVD从模式500hPa高度预报场中提取大尺度信号,借助最优化技术,合理订正误差,改进降水场的预报。经试验表明:订正后降水场预报的距平同号率有可能接近NCEP/NCAR500hPa高度场相当的技巧水平。

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。

基于S变换和改进SVD的滚动轴承智能诊断方法

对于滚动轴承而言,工程实际中存在诊断样本与训练样本故障类型相同(如均为滚动体故障)但故障程度却不同的现象,同时滚动轴承发生故障时其振动信号表现出明显的非平稳性,因此文中提出一种基于S变换和改进奇异值分解的滚动轴承故障程度鲁棒的智能诊断方法。首先利用S变换得到滚动轴承振动信号时频分布矩阵,再利用改进奇异值分解方法对时频矩阵进行降维进而得到约简的特征向量,最后将提取到的故障特征向量作为支持向量机的输入,利用支持向量机识别轴承所属的故障类型。实验结果表明,该方法能有效地解决滚动轴承训练样本与测试样本故障程度不一致时的诊断问题,效果优于传统滚动轴承诊断方法。

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。

奇异值分解遥感图像压缩算法研究

研究遥感图像信息量大且不利于压缩的特点,针对目前一般遥感图像压缩算法的问题,为获得较大的CR(压缩比)和PSNR(峰值信噪比),提出了一种改进的奇异值分解图像压缩算法。算法主要是选取部分奇异值,然后利用奇异向量重构矩阵进行图像压缩。经过建模对于不同内容和纹理的遥感图像,在一定的压缩比下,均获得PSNR>34dB的恢复图像,在不损失最低频信息的同时较好地保持了遥感图像中丰富的高频信息,实现了高质量的图像压缩。经实验证明,与传统的奇异值分解相比,算法在相同图像压缩比的情况下,获得了更高的峰值信噪比,很好地完成遥感图像压缩的任务,为实际的星上应用提供理论依据。

基于EEMD和改进VPMCD的滚动轴承故障诊断方法

针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)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,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.

风速相关性产生新方法及对电网电压稳定影响

风速随机性导致风机输出功率不稳定,继而对电力系统电压稳定产生影响。同一地区相邻风电场风速变化具有相关性,进一步增大了对电力系统电压稳定的影响程度。本文提出一种相关风速产生新方法并应用于多风电场电力系统电压稳定分析,利用改进帕克-希恩(PS)算法产生相关正态变量,将概率变换到威布尔分布空间得到符合要求的风速相关性矩阵,再将所产生矩阵应用于潮流分析并进行奇异值分解,确定多风电场电力系统静态电压稳定程度。以风速相关的四风电场电力系统为例,证明了应用改进PS算法产生相关风速比传统的Cholesky方法更精确。以实际37节点电网为例,仿真分析了风速相关性对静态电压稳定的影响。

基于自组织模糊神经网络的出水总磷预测

针对污水处理过程出水总磷预测问题,本文提出一种基于改进Levenberg--Marquardt(improved Levenberg--Marquardt,ILM)学习算法和奇异值分解(singular value decomposition,SVD)的适于在线建模的自组织模糊神经网络(fuzzy neural network,FNN)预测方法.ILM-SVDFNN采用改进LM学习算法对隶属函数中心、宽度和输出权值进行训练.在参数自适应学习的同时,采用单边Jacobi变换实现规则层输出阵的奇异值分解,根据奇异值定义增长和修剪指标实现规则层神经元在线动态调整.此外,证明了所提方法在网络结构固定和调整阶段的收敛性.最后,利用典型非线性系统辨识、Mackey-Glass时间序列预测和实际污水处理过程出水总磷预测实验进行验证.仿真结果显示所设计的自组织模糊神经网络结构紧凑且预测精度较高,较好地满足了污水处理厂对出水总磷检测精度和实时性的要求.

一种基于SVD和改进自适应算法的科氏流量计气体信号频率解算方法

频率解算是科氏流量计气体信号处理的首要任务。针对实际应用中气体信号信噪比低、频率波动大的特点,提出了一种基于SVD和改进自适应算法的科氏流量计气体信号频率解算方法:首先利用SVD对气体信号降噪并重构原信号,然后应用改进自适应算法处理重构信号,解算出频率。仿真及实验结果表明,本方法可以获得更快的收敛速度和更高的频率跟踪精度。