首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到16条相似文献,搜索用时 125 毫秒
1.
针对奇异值分解(Singular value decomposition,SVD)的频率分离问题,研究了 SVD对单个频率的分离条件,发现SVD分离单个频率的效果取决于各频率的幅值差异.若不同频率的幅值很接近,则SVD就不能分离这些频率,由此提出一种频率添加SVD算法.为了提取原信号中的特征频率,先对原信号添加该频率的理想正弦信号,使原信号中该频率成分和其他频率的幅值产生差异,从而实现对该频率成分的提取,从理论上证明此算法的可行性.仿真信号处理实例表明,即使对于频率值非常接近的两个频率,频率添加SVD算法亦可将它们准确分离,分离结果波形误差小,克服了原来SVD频率分离算法的缺陷.将此算法应用某转子系统的振动特征提取,准确地提取到振动的高阶倍频,发现高阶倍频振幅的周期性波动特征,并分析这种振幅周期性波动的原因.  相似文献   

2.
基于奇异值分解的欠定盲信号分离新方法及应用   总被引:6,自引:3,他引:3  
提出一种利用相空间重构和奇异值分解实现信号升维,从而对欠定信号进行盲分离的新方法.选择合理的时间延迟和嵌入维数对信号进行相空间重构而得到吸引子轨迹矩阵,对该矩阵进行奇异值分解,并根据不同信号的奇异值分布特性选择合适的奇异值进行逆变换,从而可以得到源信号的新的线性组合,实现了信号升维.随后对新混合信号与原混合信号之间的关系进行讨论,分析二者之间的相关性,证明了该方法的合理性.利用该方法首先分析几种常见信号如正弦信号、调频信号、调幅信号等的奇异值分布特性,研究这些信号与白噪声混合时的欠定盲分离,并将其用于实测齿轮故障信号的盲分离,研究表明该方法能够识别齿轮系统的典型故障,取得了较好效果.  相似文献   

3.
针对含噪信号的有效奇异值个数难以确定的问题,提出了一种改进的奇异值分解降噪方法--奇异值累积法。该方法通过计算奇异值的实际下降值与奇异值平均下降速度累积量的差值,并取该差值最大值点的位置作为有效奇异值的分界点来确定有效奇异值的个数。在此基础上,提出了一种基于奇异值累积法与快速谱峭度的滚动轴承故障诊断方法。采用奇异值累积法对原信号进行降噪处理,然后利用快速谱峭度确定滤波器中心频率及带宽,通过分析频段包络谱中明显的频率成分来诊断故障。该方法可以有效去除信号中的噪声,使得到的峭度值所反映的故障冲击更接近实际情况。对含内圈、外圈故障的滚动轴承实验数据进行分析,实验结果表明,相比快速谱峭度的故障诊断方法,该方法具有更好的故障识别效果。  相似文献   

4.
基于奇异值和奇异向量的振动信号降噪方法   总被引:1,自引:0,他引:1  
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。  相似文献   

5.
利用奇异值分解的信号降噪方法   总被引:5,自引:0,他引:5  
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.  相似文献   

6.
《机械科学与技术》2016,(9):1408-1413
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。  相似文献   

7.
基于小波—奇异值分解差分谱的弱故障特征提取方法   总被引:15,自引:0,他引:15  
对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。  相似文献   

8.
基于奇异值差分谱与改进包络分析的轴承故障特征提取   总被引:1,自引:0,他引:1  
针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。  相似文献   

9.
研究连续Morlet小波变换矩阵行矢量的线性相关性,这种相关性使得连续Morlet小波变换的结果存在很大的冗余,利用奇异值分解(Singular value decomposition,SVD)来压缩这种冗余性。理论分析表明,SVD技术可以将连续Morlet小波变换矩阵的信息完全压缩到少数的非零奇异值及其对应的正交奇异矢量中,分析压缩前后数据量的比例,证实矩阵维数越大,压缩效果越好。研究确定性信号和噪声的连续Morlet小波变换结果的奇异值的分布特点,发现确定性信号的有效奇异值数量由信号中的频率数量决定,有效奇异值之后的奇异值会很快地下降到零,而噪声的奇异值序列的变化比较均匀,下降速度比较缓慢。利用确定性信号和噪声奇异值的这种差异,可以实现对含噪信号的连续Morlet小波变换结果的提纯,只要选择前面合适的奇异值进行SVD重构,大部分噪声奇异值的信息会被抛弃,因而可在很大程度上消除噪声对连续Morlet小波变换结果的影响。  相似文献   

10.
自适应Morlet小波降噪方法及在轴承故障特征提取中的应用   总被引:2,自引:1,他引:1  
分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。  相似文献   

11.
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.  相似文献   

12.
提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.  相似文献   

13.
通过采集数控工作台振动加速度信号,对其进行奇异值分解,得到奇异谱和奇异熵。通过主分量、奇异谱和奇异熵等特征量揭示数控工作台动态特征和规律性。奇异值分解结果表明,可以用前一、两个主分量的特征来研究整个时间序列的信号特征以简化特征提取。用奇异谱陡峭程度辨别信号的复杂程度,发现驱动轴方向信号最简单,铅垂方向信号最复杂。用奇异熵值研究信号的不确定性发现:数控工作台信号既不是简单信号也不是白噪声;驱动轴方向熵值低;熵值随移动速度增加有所增加;共振或爬行等典型状态熵值明显减少。  相似文献   

14.
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。  相似文献   

15.
当柔性薄壁轴承工作时,受长短轴交替产生的冲击成分以及背景噪声的影响,很难从振动信号频谱中提取出故障频率。针对这问题,提出奇异值分解(SVD)与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理,获得重构信号,应用MOMEDA对重构信号进行增强,突出周期性故障脉冲,通过对处理后的信号进行频谱分析,从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比,可以判断故障位置,实现轴承的故障诊断。试验数据分析结果表明,该方法可以有效提取轴承内、外圈的故障频率。  相似文献   

16.
 液压泵在变载荷作用下会引起转速波动且发生幅值调制现象,振动信号呈现出明显的非平稳性,传统的滤波方法难于进行有效滤波。针对正弦加载液压泵故障振动信号提出一种阶比多尺度形态滤波方法,利用基于EEMD理论的时频阶比分析方法将正弦加载液压泵故障振动非平稳信号转化成角域平稳信号,再用多尺度形态滤波方法对角域平稳信号进行多尺度寻优和解调处理获得多尺度解调信号,并进行阶次谱分析得到振动信号的特征阶次。通过实验证实,该方法能对正弦加载液压泵故障振动信号进行有效滤波,且能提取出更多的有用故障信息。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号