针对管道压力泄漏信号去噪的问题,提出基于敏感因子奇异值分解(Singular Value Decomposition,SVD)的管道泄漏压力信号去噪的方法。该方法首先对原始信号构造Hankel矩阵再进行SVD分解,将分解后得到的分量信号利用敏感因子找出敏感分量,...针对管道压力泄漏信号去噪的问题,提出基于敏感因子奇异值分解(Singular Value Decomposition,SVD)的管道泄漏压力信号去噪的方法。该方法首先对原始信号构造Hankel矩阵再进行SVD分解,将分解后得到的分量信号利用敏感因子找出敏感分量,最后通过定位因子选择敏感分量所对应的奇异值进行信号重构,并用该方法对矿浆管道实验平台运行中采集到的压力信号进行降噪处理。实验结果表明,该方法有效地去除矿浆管道的压力信号中的噪声,作为信号的预处理为管道泄漏检测和定位提供良好的基础。此外,该方法与小波去噪方法进行对比,结果表明,该方法具有更好的去噪效果。展开更多
针对滚动轴承在强背景噪声干扰下振动信号故障特征难以提取,以及实际运行中因故障样本缺乏而影响故障诊断准确性的问题,提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)的AR模型振动信号特征提取,与支持向量数据...针对滚动轴承在强背景噪声干扰下振动信号故障特征难以提取,以及实际运行中因故障样本缺乏而影响故障诊断准确性的问题,提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)的AR模型振动信号特征提取,与支持向量数据域描述(Support Vector Data Description,SVDD)相结合的轴承故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转(Proper Rotation,PR)分量,然后对每一个PR分量建立AR模型,提取模型参数和残差方差构造特征向量,用以建立轴承正常运行的SVDD模型,并以振动信号特征向量偏离SVDD模型的程度来判断轴承的运行状态.将该方法应用于滚动轴承的故障诊断,实验证明了所提方法的有效性.展开更多
针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based ...针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。展开更多
文摘针对管道压力泄漏信号去噪的问题,提出基于敏感因子奇异值分解(Singular Value Decomposition,SVD)的管道泄漏压力信号去噪的方法。该方法首先对原始信号构造Hankel矩阵再进行SVD分解,将分解后得到的分量信号利用敏感因子找出敏感分量,最后通过定位因子选择敏感分量所对应的奇异值进行信号重构,并用该方法对矿浆管道实验平台运行中采集到的压力信号进行降噪处理。实验结果表明,该方法有效地去除矿浆管道的压力信号中的噪声,作为信号的预处理为管道泄漏检测和定位提供良好的基础。此外,该方法与小波去噪方法进行对比,结果表明,该方法具有更好的去噪效果。
文摘针对滚动轴承在强背景噪声干扰下振动信号故障特征难以提取,以及实际运行中因故障样本缺乏而影响故障诊断准确性的问题,提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)的AR模型振动信号特征提取,与支持向量数据域描述(Support Vector Data Description,SVDD)相结合的轴承故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转(Proper Rotation,PR)分量,然后对每一个PR分量建立AR模型,提取模型参数和残差方差构造特征向量,用以建立轴承正常运行的SVDD模型,并以振动信号特征向量偏离SVDD模型的程度来判断轴承的运行状态.将该方法应用于滚动轴承的故障诊断,实验证明了所提方法的有效性.
文摘针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。