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。

基于拟合误差最小化原则的奇异值分解降噪有效秩阶次确定方法

为了最大限度地提高旋转机械设备故障振动信号的信噪比,研究了奇异值分解降噪的原理,提出了一种新的奇异值分解降噪有效秩阶次的确定方法。首先,对振动信号进行相空间重构,对吸引子轨迹矩阵进行奇异值分解;然后,按不同的阶数,将奇异值分成信号组和噪声组,对每次分组的结果,以阶数为自变量、以奇异值为因变量,拟合成信号特征奇异值曲线和噪声特征奇异值曲线,并求拟合误差;最后,将拟合误差最小值对应的奇异值阶数确定为有效秩阶次,并进行奇异值分解降噪。通过数值仿真和实际齿轮故障数据分析,表明该方法可以有效地提高信号的信噪比,为后期的故障特征提取创造有利条件。

基于最小方差估计的图像低秩去噪

自然图像通常表现出一定的自相似性,这种相似性意味着由相似图像块所构成的图像矩阵具有低秩性.基于图像的这种低秩性和最小方差估计理论,提出一种有效的迭代去噪方法.该方法通过构造图像相似块矩阵将图像去噪问题转化为低秩矩阵估计问题,并由最小方差估计理论导出低秩矩阵的估计值;在此基础上,对图像块的估计值进行加权平均即可重构出去噪后的图像;针对少量噪声残留问题,将去噪方法与反向投影方法相结合实现图像的迭代去噪,进一步抑制图像中残留的噪声.实验结果表明,采用文中方法产生的去噪图像不仅具有较高的峰值信噪比和特征相似度均值,而且具有很好的视觉效果.

基于广义S变换模时频矩阵的局部放电特高频信号去噪方法

为有效抑制局部放电特高频信号中的噪声干扰,提出一种基于广义S变换模时频矩阵的去噪方法。基于二维模时频矩阵,采用区域最大能量法提取周期性窄带干扰的特征量,并通过矩阵逆向分离将其去除;采用奇异值分解去噪方法抑制信号中的高斯白噪声。使用该方法对仿真信号和实验室实测信号进行去噪处理,并与传统方法去噪结果进行对比。结果表明,所提方法能有效抑制局部放电信号特高频信号中的噪声,同时更好地保留了原始局部放电信号特征。对现场实测信号进行去噪处理,与传统方法相比,该方法具有较高的噪声抑制比和较低的幅值衰减比,可以有效提取局部放电超高频信号。

基于SVD和能量最小原则的图像自适应降噪算法

基于奇异值分解和能量最小原则,提出了一种自适应图像降噪算法,并给出了基于有界变差的能量降噪模型的代数形式。通过在矩阵范数意义下求能量最小,自适应确定去噪图像重构的奇异值个数。该算法的特点是将能量最小法则和奇异值分解结合起来,在代数空间中建立了一种自适应的图像降噪算法。与基于压缩比和奇异值分解的降噪方法相比,由于该算法避免了图像压缩比函数及其拐点的计算,因此具有快速去噪和简单可行的优点。实验结果证明,该算法是有效的。

基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar,SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error,LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition,SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise,ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。

基于归一化磁源强度的聚焦反演方法

针对剩磁条件下铁磁物质反演中存在的问题,提出基于归一化磁源强度的聚焦反演方法。首先,利用归一化磁源强度作为实测数据对磁性目标进行反演,减弱剩余磁化对反演结果的影响;然后,利用深度加权矩阵和最小支撑矩阵对经典Tikhonov正则化理论框架下的反演模型进行约束得到目标函数,并有效解决了核函数随深度增大而快速衰减的问题;最后,通过对目标函数进行迭代奇异值分解获得最佳物性参数,并根据Morozov偏差原则自适应地确定目标函数在迭代过程中的正则化参数,提高了迭代速度和求解精度。

奇异值分解和Teager能量算子的电压暂降方法

针对噪声干扰严重影响电压暂降检测分析精度的问题,提出一种采用奇异值分解和Teager能量算子(Teager energy operator,TEO)进行电压暂降检测的改进算法,即采用Hankel矩阵对电压暂降信号进行奇异值分解法(singular value decomposition,SVD),从而获得降噪后的供电点上电压暂降近似信号;利用Teager能量算子跟踪该近似信号的瞬时幅值;最后通过仿真算例验证该方法的可行性和有效性。