基于一步异相关法则的kalman滤波抗野值方法

分析了野值对kalman滤波的影响机理;从随机序列的自相关函数出发,利用序列的一步差分方差判别野值的一步异相关法则,提出基于一步异相关法则的kalman滤波新方法,并与传统的改进方法进行了仿真比较.仿真实验表明,该方法简单易行,可以有效抑制观测值中野值对kalman滤波的不利影响,提高滤波精度和稳定性.     

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。     

Zpq上阶数为4的广义割圆序列及其自相关值

本文构造了两类Zpq上阶数为4的广义割圆序列并研究了它们的周期自相关函数,研究结果表明第一类序列具有7值自相关函数,并且当(p-1)(q-1)/16为偶数时,适当选取p,q可以使自相关函数降为6值或5值;当(p-1)(q-1)/16为奇数时,适当选取p,q可以使自相关函数降为5值.第二类序列具有5值自相关函数,并且当口q-p=4时,该序列为3值自相关序列.     

一种基于奇异值分解技术的模型定阶方法

摘要：模态参数识别中模型阶次的确定非常重要。基于奇异值分解技术,探讨模型阶次的确定方法,提出了利用奇异值的相对变化率来确定模型的阶次。该方法利用结构的量测脉冲响应信号构造Hankel矩阵,对其进行奇异值分解后计算奇异值的相对变化率,变化率最大的地方对应着模型的阶次。通过数值算例研究了噪声因素对模型阶次确定的影响,并利用模型实验数据验证了本方法的有效性。     

多重门限奇异值分解方法的实例验证

目的 提出一种基于奇异值分解(SVD)技术和Hanke矩阵的多重门限奇异值分解方法(MTSVD),对测量源数据进行降噪,使其更接近理论值,减少试验误差对后续计算结果的影响.方法 对获得的系统频响函数(FRFs)施加10％的随机误差,之后利用文中提出的MTSVD方法进行降噪处理,并与未经过去噪处理的预测结果以及经奇异值累积法获得的降噪结果进行对比.结果 利用MTSVD方法对试验获取的耦合系统频响函数进行处理后,得到的修正值更接近理论值,并且该方法的降噪效果优于现有的奇异值累积法.结论 验证结果表明文中提出的MTSVD方法能有效降噪,减少试验测量源数据携带的误差,使其更接近理论值,因此该方法在运输包装领域具有良好的可行性和应用前景.     

基于奇异值分解的红外弱小目标检测

鉴于传统的基于单幅图像奇异值分解红外弱小目标检测算法的不足,提出了一种新的基于图像序列奇异值分解的红外弱小目标检测算法.首先,利用图像序列构造图像矩阵并进行奇异值分解,得到对应的特征值与特征向量;其次,利用处理后的特征值和特征向量重构图像序列,得到新的特征图像序列;再次,在特征图像序列中选取合适的特征图像进行处理从而增强目标并抑制背景;然后,对新特征图像进行阈值分割,得到要检测的弱小目标;最后,对序列中的每幅图像分别进行帧间位置修正与帧内位置修正,以达到检测红外弱小目标的目的.实验结果表明该算法具有很好的鲁棒性与实时性.     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

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CEEMDAN与奇异值分解的往复机械故障诊断方法研究

往复机械振动信号非常复杂,通常存在较强的非平稳、非线性特征,使得对其进行振动信号分析、故障识别存在困难。对此提出一种基于改进的总体经验模态分解(CEEMDAN)与奇异值结合的故障特征识别方法,对原始信号进行CEEMDAN分解,得到本征模式函数的奇异值,将得到的奇异值作为特征向量输入支持向量机进行特征分类,从而实现故障模式的识别。通过对实验室模拟故障与往复泵动力端故障模式识别实例分析来论证方法有效性。研究结果表明,该方法适用于提取往复机械振动信号冲击特征和多故障模式识别。     

循环自相关函数及其切片的解调原理分析

在具有齿轮、滚动轴承等设备的机械故障诊断中,幅值解调分析是非常有用的工具.分析了的基于循环平稳信号的循环自相关函数的解调原理,提出了一种新的解调方法--循环自相关函数切片法,由于平稳信号没有循环平稳的特点,使得该方法对加性平稳噪声具有自动降噪功能.