侵彻过载信号的欠定盲源分离与特征提取

侵彻过载信号成份复杂,传统盲源分离方法无法有效提取弹体侵彻板靶特征,基于此提出一种不受测试传感器数量限制、具有源数估计的侵彻过载信号盲源分离方法。首先,对单通道测试信号进行总体经验模态分解,将分解后的固有模态与原信号组成多维信号;其次,对组成的多维信号奇异值分解,以"前K次奇异值占优"法则估计信号振源个数,利用"最大互相关系数法"筛选最优IMF函数与原信号重组构造多通道混合信号;最后,对多通道混合信号白化处理和联合近似对角化,计算酉矩阵获得测试信号的混合估计。将其用于单通道侵彻过载信号的特征提取,获得了与源信号相关度为0.974 7的加速度特征信号。与现有方法相比,该方法能有效分离出单通道侵彻过载特征信号,并且信号处理过程具有的自适应特性也解决了不同弹靶工况下过载信号滤波频率的选择困难问题。     

侵彻弹体频率特性分析及过载信号处理

为解决硬目标侵彻过载信号降噪问题,提出融合总体经验模态分解（EEMD）和小波变换（WT）的联合滤波方法。首先对实测信号进行总体经验模态分解,获得信号的本征模态函数（IMF）分量,然后计算各分量功率谱并与原信号比较,得出信号的有效分解尺度和弹体的过载响应频率,接着对高频IMF分量采用小波阈值降噪,最后将降噪后的高频分量与分解后的低频分量组合重构获得侵彻特征信号。实验证明,这一方法可以有效提取弹体响应频率,消除侵彻过程中弹体的高频振动信号和外部噪声,且处理后的加速度曲线具有更高的信噪比,积分所得速度和位移时程曲线也与实验结果相近。     

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。     

奇异值能量标准谱在机械振动信号降噪中的应用研究

针对机械设备振动信号的宽频带、非线性和非平稳特性,提出了一种基于奇异值能量标准谱的自适应降噪方法。首先利用平均最近邻域发散度判定法计算嵌入维数并对信号进行相空间重构,然后对相空间重构矩阵进行奇异值分解,最后提出奇异值能量标准谱概念,根据能量标准谱拐点位置自适应地确定奇异值的重构阶数以重构有用分量,从而实现信号降噪。数值仿真和柴油机缸盖振动信号分析结果表明,本方法能够有效消除信号中的噪声并保留原信号的特征,提高信噪比。     

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。     

基于奇异值分解降噪与排序熵的涡旋压缩机故障特征提取方法

针对涡旋压缩机故障信号非平稳且非线性的特点,提出一种基于奇异值分解降噪与排序熵的涡旋压缩机故障特征提取方法。这一方法首先对原始信号进行奇异值分解,根据奇异值差分谱确定降噪阶次,并进行信号重构,得到降噪信号;然后提取降噪信号的排序熵特征值,基于此建立涡旋压缩机典型故障的排序熵特征模型。试验结果表明,通过这一方法得到的涡旋压缩机故障特征鲜明清晰,为其状态监测与故障诊断提供了依据。     

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。     

奇异值分析与多项式拟合解调在调频信号处理中的应用

为了解决传统方法对调频信号处理效果不佳问题,基于奇异值提出一种新方法。利用Hankel矩阵研究常见信号奇异值突变特征,分析相关奇异值与信号具体特征的对应关系,为重构信号所需有效奇异值提供选择依据。针对调频信号奇异值突变特征不明显问题,根据Weierstrass逼近定理采用多项式拟合描述调频信号的调频规律;提出最小奇异值分布差准则,以实现信号瞬时频率函数参量确定的最优估计;构造解调算子,解调得到具有明显奇异值突变特征的解调信号;引入调制源完成调频信号重构。通过仿真信号与航空发动机实测信号分析,表明多项式拟合解调与奇异值分解对调频信号降噪、分量提取具有很好的效果。     

基于奇异值分解的磁记忆信号特征提取方法

针对金属磁记忆信号容易受到环境噪声影响,使得缺陷信号可检测性降低的情况,首先,利用传统的奇异值分解方法对场桥主梁磁记忆信号进行分解和重构,发现尽管可以取得较为理想的降噪效果,但如何自适应确定重构时的奇异值个数仍存在困难;然后,将磁记忆信号按照二进递推方法构造矩阵,重复进行奇异值分解可以获得具有不同分辨率的近似信号和细节信号,从而形成多分辨奇异值分解,其中细节信号对应磁记忆中的噪声成分,近似信号为去除噪声之后的有效磁记忆信号,从而实现了磁记忆信号的降噪。将该方法用于某场桥主梁磁记忆信号的处理,有效地提高了重构信号的信噪比,准确地判断出了该主梁的应力集中区域,为评估其应力状态和早期故障诊断奠定了基础。     

A repeated single-channel mechanical signal blind separation method based on morphological filtering and singular value decomposition

This paper proposes a repeated blind source separation (BSS) method based on morphological filtering and singular value decomposition (SVD) to separate the mixed sources from a single-channel signal. Firstly the signal is de-noised by the morphological filter and, the noise which affects the accuracy of the separation is removed. Next, the purified signal is reconstructed in phase space, and the SVD is applied to this matrix. After choosing the effective singular values, the inverse transform is applied to the revised signal matrix. From this, the pseudo signal can be obtained. The pseudo signal and the purified original signal are used to achieve the mixed sources separation through the fast independent component analysis (FastICA) algorithm. Then, the methods above are repeated in order to separate the weaker signals. The analysis of simulation and practical application demonstrates that that proposed method shows a high level of separating performance of a single-channel signal.     

机械信号奇异熵研究

基于信号奇异值分解技术,提出了奇异熵的概念,并通过试验揭示了奇异熵在机械信号信息量评估、信息成分分析、信噪比估计,以及信号降噪技术等多方面的独特性能,从而充分展示了奇异熵在机械信号综合特性分析方面重要的科学价值。     

分布式机电系统边缘节点信号预处理方法及应用设计

为提高分布式机电系统边缘节点对本地数据过滤和分析的效率及准确性,提出了一种基于最优变分模式分解(Optimal variational mode decomposition,OVMD)的信号预处理方法.首先,利用一阶差分方法有效消除了原始信号中的奇异点,随之利用最优变分模态分解方法对信号进行模态分解,然后进行相关分析,确定各模式与原始信号的相关程度,从而从噪声信号中准确分离出真实的工作信号.在理论与仿真分析基础上,设计开发了分布式机电系统边缘节点预处理系统,并采用信噪比及均方根误差指标评价信号预处理效果.实验结果表明,该机电信号预处理方法及设计的边缘节点预处理系统能够提取不同特征的信号,提高重构信号信噪比,具有较高的保真性和可靠性,为后续系统健康监测、故障诊断等工作提供了数据保障.     

基于EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

Selection of effective singular values using difference spectrum and its application to fault diagnosis of headstock

The noise reduction effect of singular value decomposition (SVD) relies on the selection of effective singular values. The characteristic of singular values of normal signal and noise being studied, it is pointed out that there is a sudden change in the singular values of normal signal, but not in the ones of noise. The concept of difference spectrum of singular value is put forward, which consists of the forward differences of singular value sequence and can describe the sudden change status of singular values of a complicated signal. The automatic selection of effective singular values can be realized by the peak of the difference spectrum. If the maximum peak of difference spectrum is located in the first coordinates, it means that a strong direct current (DC) component is contained in original signal and the number of effective singular values will be determined by the second maximum peak coordinates, while what the first singular value corresponds to is the DC component, or else the number of effective singular values is determined by the maximum peak coordinates. The relationship between column number of matrix and noise removing quantity of SVD is also studied using difference spectrum and the result shows that this relationship is like a symmetrical parabola. By dint of the difference spectrum, the hidden modulation feature caused by gear vibration in headstock is isolated from a turning force signal and the fault gear is accurately located by this modulation feature.     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。