基于奇异值分解和变分模态分解的轴承故障特征提取

为了有效提取轴承故障,提出了基于变分模态分解和奇异值分解降噪的故障特征提取方法。通过对故障信号进行变分模态分解,获得其本征模态函数。基于峭度指标,选择包含故障信息的本征模态函数进行信号重构。利用奇异值分解降噪技术对重构信号进行处理,提高信噪比。最后对降噪信号进行包络解调提取故障特征频率。与常见的故障特征提取方法相比,该方法能有效辨别滚动轴承的典型故障,突出故障特征,提高滚动轴承的故障诊断效果。     

一种基于奇异值分解的自适应降噪方法

根据信号处理基本理论和方法．针对奇异值分解方法中有关的Hankel矩阵有效秩难以确定的难题,提出了一种奇异值分解方法,即主分量分解方法．并通过试验数据进行了验证。仿真信号和海上实录信号的降噪实验研究表明．提出的方法比基本的LMS滤波和奇异值分解降噪效果更加优越,能有效提高信噪比并去除噪声。     

基于频响函数奇异值的模型修正方法

为减少实测环境中噪声的干扰,提出了一种基于频响函数奇异值的模型修正方法。利用计算得到的频响函数重构吸引子矩阵,对其进行奇异值分解,并在受噪声影响时根据极值点数量突变原则选择保留主要特征信息的奇异值个数,确定待修正参数;采用拉丁超立方抽样抽取初始样本点,结合修正参数所对应的奇异值响应,用粒子群算法寻得最优相关系数,构建Kriging模型;以奇异值响应差的平方最小构造目标函数,利用布谷鸟算法求解参数修正值。仿真算例表明:以奇异值作为结构响应,构建Kriging模型能获得较高的修正精度;在频响函数中加入不同信噪比的高斯白噪声,仍能得到较满意的修正效果,证明了该方法对噪声具有较强的鲁棒性。     

一种EMD阈值寻优降噪方法

为提高EMD方法的降噪效果,针对基于能量直接提取法中跳变点定量指标的确定和奇异本征模态函数的处理问题,提出一种基于经验模态分解的阈值寻优降噪方法。方法首先从能量角度给出确定跳变点位置的判定标准,选取符合标准的本征模态函数。然后通过将所有被剔除本征模态函数的平均能量和已选取的各本征模态函数能量进行比较,确定奇异本征模态函数并对其进行阈值降噪处理,最后通过对已选取本征模态函数求和得到降噪信号。方法将跳变点的选取和软阈值消噪处理相结合,与其他三种降噪方法进行降噪对比试验,证明方法的有效性和优越性。试验结果为将该方法应用于工程实际,进一步提高信号降噪水平提供支撑。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,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,然后根据分解奇异值的奇异熵确定降噪阶次,最后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。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

基于频响函数截断奇异值响应面的有限元模型修正

考虑由于模型参数误差造成的有限元模型偏差的问题,提出一种基于频响函数截断奇异值响应面的模型修正方法。利用傅里叶反变换将结构频响函数变换为时域内的脉冲响应函数,通过延迟坐标法重构脉冲响应函数的相空间矩阵,进而对相空间矩阵进行截断奇异值分解,提取有限个较大的奇异值作为频响函数的特征量。以待修正模型参数为样本集输入,截断的奇异值为样本集输出,建立支持向量机响应面模型并进行训练,以逼近模型待修正参数与频响函数的特征量之间的非线性映射关系。以目标频响函数的特征量与支持向量机响应面模型输出的特征量之间的差值最小化为目标,利用遗传算法通过优化求解参数修正量。仿真计算表明:支持向量机的保留奇异值响应面能准确预报训练集以外样本的保留奇异值,具有较强的泛化能力;结合遗传优化算法能获得准确的参数修正量,算法对噪声有较强的鲁棒性。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。     

基于低秩Hankel矩阵逼近的模态参数识别方法

针对测量结构输出响应信号所受噪声干扰问题,提出利用低秩Hankel矩阵逼近方法对响应信号降噪。该方法利用结构脉冲响应信号构建Hankel矩阵,对其进行奇异值分解后计算奇异值相对变化率确定模型阶次,通过迭代低秩逼近方法获得降噪信号后进行模态参数识别。用数值算例研究矩阵维数对降噪效果、计算效率影响,并用悬臂梁模型实验验证该方法的有效性。     

逆虚拟激励法随机载荷识别试验研究

采用逆虚拟激励法进行载荷识别,分别在阻尼比不同的钢和有机玻璃悬臂梁上进行了多次随机激励下的载荷识别试验。此方法通过采用逆虚拟激励法和奇异值分解法的结合在一定程度上克服了频响函数在近固有频率附近的病态,并减少了计算工作量,同时以相干函数和频响函数为依据来调整试验中激振杆等的安装状态,经验证取得了较好的识别结果。研究表明,逆虚拟激励法在工程实践中有广阔的应用前景。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于奇异值分解的水流量标准装置状态监测方法研究

提出了基于奇异值分解的流量计输出信号分离方法,对流量信号、流量波动信号和噪声进行分离,准确获得装置管路中不同频率的流量波动信号及流量波动相对幅度,实现装置状态监测。通过仿真实验准确分离出了不同频率的流量波动信号,而且即使噪声方差为1时的最大幅值误差也只有0.0681m³/h。最后通过实验分离得到:幅度分别为0.73%和0.25%的流量波动信号与管路中的水泵失稳和阀门摆动引起的流量波动频率一致。仿真与实验结果验证了所提方法的可行性。     

基于ITD-SVD和MOMEDA的故障特征提取方法

为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

Bandlimited rational models for signal reconstruction

A rational model is proposed for reconstruction of bandlimited signals from successive observations, bandlimits, and knowledge of signal peak location. The parameters of the model may be estimated from the singular vectors of a certain double-Hankel matrix constructed from this information. In contrast to the currently popular minimum-energy approach, which has limited spectral resolution and is sensitive to noise, high spectral resolution is possible with the rational model because of its pole-zero nature. To reduce the sensitivity of the rational reconstruction to noise and modelling errors, rank reduction of the double-Hankel matrix via singular value decomposition is suggested. The singular values of the matrix provide estimates of the error in modelling the data with rational models of different orders, and so the singular value distribution can be used to select model order. This work was partially supported by SDIO/IST under contract DAAL 03-86-0111 administered by the US Army Research Office, by the Bell Communication Research’s Graduate Study Program, and by Cray Research Inc. under grants DMS9880010SC and ECS890002SC and utilized by the Cray X-MP/48 at the National Center for Supercomputing Applications at the University of Illinois at Urbana-Champaign.     

基于OTPA方法的挖掘机驾驶室结构噪声源识别

工况下传递路径分析方法(OTPA)是在传统TPA方法的基础上改进而来的。目前OTPA方法已经广泛应用于工程机械领域振动信号之间的传递特性分析中,而在振动和噪声信号之间的应用较少。应用OTPA方法,以发动机振动为主要激励源进行分析,研究某型液压挖掘机的驾驶室耳旁结构噪声,并采用奇异值分解技术对输入信号进行处理。通过对比合成信号和实测信号,验证OTPA方法的有效性。通过各路径的噪声贡献分析,对降噪措施提出建议。