k值优化VMD-小波包分析联合降噪方法在隧道爆破信号中的应用

针对隧道爆破振动测试信号存在噪声干扰的问题,引入一种基于k值优化的变分模态分解(variational mode decomposition,简称VMD)联合小波包分析的降噪方法。首先,引入分解能量差值参数λ,对比爆破振动信号在不同k值条件下经VMD得到的模态分量总能量;基于等能量分解原理对模态数k进行优化分析,并在最佳模态数k下对信号进行VMD处理;在相关系数和方差贡献率双指标下筛选出含噪分量,并用小波包分析手段进行降噪处理;最后,将经降噪处理后的含噪分量与优势分量重构,得到纯净的爆破振动信号。引入的方法兼具VMD及小波包分析的优点,并克服了信号分解过分或分解层数不足的缺陷。结果表明:与现有方法相比,k值优化的VMD-小波包分析联合降噪方法信噪比高,均方根差小,降噪效果良好,并且该法可有效保留原始信号中的细节特征,可以应用于类似隧道爆破信号的降噪处理。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

提升小波包最优基分解算法及在振动信号降噪中的应用

提升小波包最优基分解,是影响提升小波包应用效果和效率的关键.提出了一种先序分解后序搜索的提升小波包最优基分解算法,该算法提升小波包先序分解和最优基后序搜索同时进行,只保留当前发现最好基下的分解系数,及时释放冗余存储窄间,具有更高的空间效率,更适于信号在线处理.对算法进行了描述,并与自上而下完全分解、自下而上搜索算法进行了比较.将其应用于发动机缸盖振动信号降噪,取得了满意的效果.     

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。     

基于小波包能量谱的滚动轴承振动噪声检测方法

针对轴承振动与噪声源零件识别与检测问题，利用小波包分解的方法来分析轴承的振动噪声信号：根据待测轴承振动信号特点，确定小波包分解的小波函数及分解层数，得到了轴承振动信号在频域的信息；通过构造小波包能量谱来分析各个频段上振动信号的特征，根据各个小波包空间能量值的大小判断轴承振动的剧烈程度；通过小波包重构算法对轴承振动噪声贡献较大的小波包空间进行重构，得到具有较高信噪比的重构信号，便于进行频谱分析。结果表明，本文的检测方法可以较准确的识别出新出厂轴承中振动噪声的主要来源，对于后期实现轴承静音降噪具有重要意义。     

基于拟合误差最小化原则的奇异值分解降噪有效秩阶次确定方法

为了最大限度地提高旋转机械设备故障振动信号的信噪比,研究了奇异值分解降噪的原理,提出了一种新的奇异值分解降噪有效秩阶次的确定方法。首先,对振动信号进行相空间重构,对吸引子轨迹矩阵进行奇异值分解;然后,按不同的阶数,将奇异值分成信号组和噪声组,对每次分组的结果,以阶数为自变量、以奇异值为因变量,拟合成信号特征奇异值曲线和噪声特征奇异值曲线,并求拟合误差;最后,将拟合误差最小值对应的奇异值阶数确定为有效秩阶次,并进行奇异值分解降噪。通过数值仿真和实际齿轮故障数据分析,表明该方法可以有效地提高信号的信噪比,为后期的故障特征提取创造有利条件。     

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。     

小波包分析在齿轮故障诊断中的应用

基于小波包对信号的高分辨率分解和重构能力,把信号分解到不同频段,然后选择有效频段进行故障信号重构,分离出故障信息。通过对含有周期冲击的信号进行分解处理,展示了小波包分析在特征提取中的优点。通过对减速箱齿轮故障信号进行降噪、分解处理,表明该方法可以有效地提取故障信号中的周期冲击成分。     

小波降噪在信号基于EMD的Hilbert变换中的应用

提出用小波降噪后再用经验模态分解（EMD）对信号进行分析,利用小波包对信号分解重构,去除噪声干扰信号,然后再对信号进行EMD分解。该方法减少噪声对EMD分解的干扰,从而减少由于分解无用的噪声信号引入的边界效应误差和分解层数,提高EMD分解的准确性和时效性,使EMD算法在信号的分析中更具实用性。