基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

基于奇异值分解的ERA改进算法及模态定阶

研究了一种基于奇异值分解的ERA改进算法和模态定阶方法。在奇异值分解基础上,根据选定阶次在动态系统中所占比重,提出一种模态定阶指标——奇异值百分比,将该指标应用在改进后的特征系统算法中。首先,利用脉冲响应信号构造初始Hankel矩阵,对此矩阵进行奇异值分解生成去噪后的信号矩阵;其次,根据Cadzow算法重构Hankel矩阵;最后,利用奇异值指标确定模态阶次。通过仿真算例验证了改进后的特征系统实现算法具有良好的抗噪能力,利用定阶指标能有效确定模态阶次、剔除虚假模态,对于阻尼识别精度更高。应用该方法对某三厢车排气系统进行了模态参数识别,通过与LMS系统识别结果比较验证了方法的准确性。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再利用经验模式分解法提取降噪后振动信号的基本模式分量,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

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。     

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SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

相关奇异值比的SVD在轴承故障诊断中的应用

基于Hankel矩阵的奇异值分解（Singular value decomposition,SVD）方法在信号处理、故障诊断领域得到了广泛应用。其降噪性能受选取的重构分量、Hankel矩阵结构、分析的数据点数的影响,对此进行了系统的研究,提出了基于相关奇异值比的SVD （Correlated singular value ratio SVD,C-SVR SVD）方法,并成功应用于轴承故障诊断。首先,针对SVD的重构分量的确定问题,提出了奇异值比（Singular value ratio,SVR）和互相关系数相结合的方法;其次,对Hankel矩阵的结构进行研究,提出了基于SVR和峭度指标的结构优化方法。然后,对分析的数据点数进行了分析讨论,给定了约束。最后,将C-SVR SVD方法应用于轴承故障仿真信号和实际轴承故障案例分析,验证了C-SVR SVD方法的有效性和优越性。     

利用奇异值分解的信号降噪方法

为了提高测试信号的信噪比,针对奇异值分解降噪法中有效秩阶次的选择以及重构矩阵结构的确定两个关键问题,提出了一种基于信号频率成分的奇异值降噪方法.该方法利用信号快速傅里叶变换结果中主频率个数来确定有效秩阶次,通过降噪信号的信噪比和均方差大小确定重构矩阵结构,并采用不同频率成分的几组信号对该方法进行了验证.结果表明,有效秩的阶次是源信号主频个数的2倍,并且这种倍数关系不随重构矩阵行列数的变化而变化;在工程应用中,重构矩阵的最佳行数取信号数据长度的一半,可以得到较好的降噪效果;除傅里叶变换结果中有用信号频率与噪声频率难以区分的情形外,无论是白噪声还是色噪声,该方法都十分有效.     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

基于奇异值和奇异向量的振动信号降噪方法

针对复杂的转子振动信号中同时存在随机噪声干扰和工频噪声干扰的问题,提出了基于奇异值和奇异向量相结合的降噪方法。首先,对振动信号进行奇异值分解(singular value decomposition,简称SVD),根据奇异值谱确定振动信号有效奇异值阶次;其次,对有效阶次范围内的奇异向量进行快速傅里叶变换(fast Fourier transform,简称FFT),依据幅值谱筛选出对应于工频噪声的奇异向量;最后,利用其余的奇异值和奇异向量进行重构得到降噪的时域信号。通过仿真信号和工程试验信号对该方法进行了验证,结果表明,基于奇异值和奇异向量相结合的降噪方法,不但能有效降低振动信号中的随机噪声干扰,还能有效降低工频噪声干扰,同常用的陷波器方法相比所提出方法具有明显优势。     

基于参数模型的频响函数估计方法

针对传统的非参数频响函数估计方法不适用于短记录数据的情况,提出了一种基于公分母模型的参数化频响函数估计方法.该方法使用输入输出信号的快速傅里叶变换(输入输出谱)作为主要数据,通过最小二乘法求解参数,利用奇异熵技术对系统进行定阶.最后采用一个二层框架的仿真算例对所提出的算法进行了验证.仿真算例结果表明,通过响应信号的奇异...     

基于PPTSVD的桥梁移动荷载识别

为了改进时域法(time domain method,简称TDM)识别桥面移动荷载时存在的识别精度受测量噪声、响应类型及数量影响较大等缺陷,在截断奇异值分解(truncated singular value decomposition,简称TSVD)的基础上,提出了基于分段多项式截断奇异值分解(piecewise polynomial truncated singular value decomposition,简称PPTSVD)识别桥梁移动荷载。采用简化欧拉梁模型,由反演车辆荷载作用下桥梁的弯矩响应和加速度响应识别桥面移动荷载,得到了不同噪声水平下TDM,TSVD与PPTSVD的识别结果。研究结果表明,与采用奇异值分解(singular value decomposition,简称SVD)进行常规降噪的TDM相比,采用TSVD识别移动荷载在识别精度和抗噪性能方面均有一定提高,且由TSVD改进的PPTSVD识别方法较前两种方法具有更加明显的优势;PPTSVD识别精度高、识别结果受响应类型及响应组合影响较小且具有良好的鲁棒性,更适用于桥梁移动荷载的现场识别。     

基于频响函数相关性的灵敏度分析的有限元模型修正

有限元模型的修正对机械结构的动态特性进行准确而可靠的预测是很重要的。利用试验测试和预测的有限元模型计算得到的频响函数（FRF），引入两种频响函数相关性的判定标准，提出基于频响相关函数的灵敏度分析的修正方程。数值实例研究结果表明，该方法利用少量的测量数据，即使测试数据含附加噪声，也可在很宽的频率范围内得到接近真实结构的有限元模型修正解。本文的方法可适用于大型复杂结构的模型修正。     

An identification method for joint structural parameters using an FRF-based substructuring method and an optimization technique

A new method is proposed to identify the joint structural parameters of complex systems using a frequency response function (FRF)-based substructuring method and an optimization technique. The FRF method is used to estimate the joint parameters indirectly by minimizing the difference between the reference and calculated responses using a gradient-based optimization technique with analytical gradient information. To assess the robustness of the identification method with respect to noisy input data, FRFs contaminated by uniformly distributed random noise were tested in a numerical example. The effects of the random noise and the magnitude of the connection stiffness values on the accuracy of the method were investigated while identifying the joint parameters. When the FRFs were contaminated with random noise, the proposed procedure performed well when used to identify the stiffness values, but the accuracy of identification is deteriorative when used to identify the damping coefficients. The joint parameters of a real bolted structure were also identified by the proposed method. The results show that it can be applied successfully to real structures, and that a hybrid approach using both calculated and measured FRFs in the substructure model can enhance the quality of the identification results.     

Improved (non-)parametric identification of dynamic systems excited by periodic signals

The steady state response of a system to a periodic input is still subject to noise transients. For lightly damped systems these noise transients can significantly increase the variance of the estimated frequency response function (FRF). This paper presents a method that suppresses the influence of the noise transients (leakage errors) in nonparametric FRF and noise (co-)variance estimates of dynamic systems excited by periodic signals. The method is based on a local polynomial approximation of the noise leakage errors on the FRF. Compared with the classical approaches, the proposed procedure is more robust and needs less measurement time (two signal periods are sufficient). The theory is supported by simulation and real measurement examples.