基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。     

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%～89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。     

压缩感知改进探地雷达回波信号时延估计

针对探地雷达回波受环境及多径干扰而导致时延估计的精度和速度不满足应用需求的问题,提出了基于改进快速匹配追踪的时延估计算法,算法首先基于压缩感知理论对雷达探地回波进行稀疏分解和重构,以提高信号的信噪比,消除回波中强干扰信号对时延估计的影响,然后采用QR分解优化的快速正交匹配追踪对时延估计模型进行求解,降低基函数错选概率,提高模型收敛速度.仿真实验表明,算法能够有效均衡回波信号中强信号分量和弱信号分量,具有较高的回波时延估计精度.     

基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

相空间稀疏化的信号压缩感知与重构方法

针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。     

基于压缩感知弱匹配追踪算法的信号特征提取

针对滚动轴承故障诊断中的特征提取问题,提出一种基于压缩感知弱匹配追踪算法的特征提取方法。针对轴承故障信号特征特点构建了一个由傅里叶字典和冲击时频字典组成的联合字典,作为弱匹配追踪算法中的过完备冗余原子库。进而利用改进的简化粒子群寻优算法在联合字典原子库中寻找最能匹配轴承故障信号特征的原子,实现故障信号的快速高效稀疏分解。在信号重构阶段提出了一种改进的阈值降噪策略,解决了软阈值降噪存在恒定偏差以及硬阈值降噪的不连续问题。对CWRU（Case Western Reserve University）轴承数据中心所提供的标准轴承故障信号和某钢厂滚动轴承实测信号进行了仿真,仿真结果验证了该方法的优越性。     

EWT分解和SVD消噪在轴承故障诊断中的应用

针对经验模态分解在轴承的故障诊断中存在着固有模态函数频谱繁多杂乱的问题,提出了一种基于经验小波变换(empirical wavelet transform(EWT))和奇异值分解(singular value decomposition,SVD)相结合的轴承故障诊断方法。该方法首先利用EWT分解的自适应性特点,对故障信号进行分解,得到各分量信号,从而有效地减少模态混叠现象;再对各分量信号进行SVD分解重构,减少噪声的影响以消除随机干扰,最后对经过SVD重构后得到的各分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验验证,EWT和SVD相结合的新算法可以准确地提取出轴承故障特征频率的基频和倍频成分,有效地确定轴承故障。     

CEEMDAN辅助快速谱峭度图算法的轴承故障诊断

针对滚动轴承的振动信号受到强噪声污染故障特征提取困难的问题,提出一种结合完整集成经验模态分解(CEEMDAN)辅助快速谱峭度图算法(Fast Kurtogram)的轴承故障诊断方法,首先将信号通过CEEMDAN分解为多个模态分量(IMF)及余量,计算出各个IMF分量的峭度值,并利用峭度值对分量信号进行重构;然后利用快速谱峭度图算法对重构信号进行处理,可以得到良好的故障带宽与中心频率。实测数据表明,该方法能够有效检测出轴承内圈故障。     

自适应分块前向后向分段正交匹配追踪在重构滚动轴承故障信号中应用

针对滚动轴承故障信号分块压缩感知过程中,因分块之间的稀疏度差异较大以及重构支撑集构造不合理,致使信号重构精度较低,影响信号整体重构效果的问题,提出基于自适应分块前向后向分段正交匹配追踪算法(Adaptive block forward and backward stagewise orthogonal matching pursuit,Adaptive Block-FBStOMP)。首先,依据短时自相关算法确定滚动轴承故障信号自适应分块长度,并根据此长度对信号进行自适应分块;其次,利用K奇异值分解(K-singular value decomposition, K-SVD算法训练稀疏字典;最后,提出FBSt OMP算法,在重构过程中增加原子回溯和二次筛选过程,提高有效支撑集原子被全部选入支撑集中的可能性,改善重构效果。通过仿真信号和故障信号试验分析可知,与传统压缩感知重构算法相比,该算法能够有效提升滚动轴承故障信号的重构精度。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中，存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题，提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先，对机械振动信号进行多尺度小波包变换，再将小波包系数按一定阈值进行置零处理并求取其稀疏度；然后，采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率，并对信号的稀疏度和采样率采用最小二乘法进行拟合，消除信号测量误差，求取最佳信号采样率；最后，采用K-奇异值分解算法构造与各信号块相适应的过完备字典，并利用正交匹配追踪算法实现信号重构。实验证明，与传统压缩算法相比较，该算法的信号压缩率和重构精度均得到较大提高。     

Adaptive sparsest narrow-band decomposition method and its applications to rotor fault diagnosis

Enlightened by empirical mode decomposition (EMD) and matching pursuit (MP), adaptive sparsest narrow-band decomposition (ASNBD) method is proposed in this paper. The main idea of the method is to obtain the sparsest representation of a signal by constraining the components to be local narrow-band signals. In ASNBD, an optimized filter must be established at first. The parameters of the filter are determined by solving a nonlinear optimization problem. A regulated differential operator is used as the objective function so that each component is constrained to be a local narrow-band signal. Afterwards, the signal is filtered by the optimized filter to generate a single component. ASNBD is superior to matching pursuit in both the adaptivity and the physical meaning of the components. And problems such as mode mixing and end effect in EMD are alleviated in ASNBD as the computing of extremas is avoided. As it is robust and adaptive to non-stationary signals, artificial chemical reaction optimization algorithm (ACROA) is chosen to solve the optimization problems in ASNBD. Compared with GA, ACROA can reach a global optimum in a shorter time while the classification result is the same. Comparisons are made between ASNBD optimized by ACROA, ASNBD optimized by genetic algorithm and empirical mode decomposition (EMD) by analyzing simulation and experimental signals. The results indicate that ASNBD–ACROA is superior to the other two methods at least in restraining boundary effect, gaining more accurate components in the presence of noise and showing better orthogonality; moreover, it performs better in the analysis of experimental data.     

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。     

机车齿轮传动系统多元信号时变盲分离研究*

齿轮传动系统是保障机车安全稳定运行的最重要的关键装备之一,其运行状态具有时变性、不可预知性和动态联动性等特点,采用传统故障诊断方法进行故障特征获取仍然存在误诊、漏诊等现象。稀疏盲分离是一种能够在信号传输通道有限的情况下,依据正交基映射将多元非线性信号有效分离的软计算方法。但是在实际工况中,机车齿轮故障数据往往是微弱性和不确定性的,从而导致稀疏分离后的源信号特征无法准确诊断故障。因此,提出一种基于变尺度经验模态分解的自适应时变盲分离方法,利用稀疏化处理和迭代筛选进行分离获取故障源,通过调整时间跨度获取最优本征模态函数,删除冗余因素,有效提高故障特征识别准确率。通过仿真试验数据验证,进一步表明了该方法在低信噪比状态下快速准确获取故障特征的有效性,能够为铁路运输的状态检测和故障诊断提供关键技术。     

基于信号特征的复合字典多原子匹配算法研究

在经典匹配追踪算法的基础上,提出基于信号特征的复合字典多原子匹配的改进算法,并应用于轴承故障诊断领域。针对滚动轴承损伤性故障振动信号特点,构造高频段冲击时频特征原子库与低频段Fourier特征原子库相结合的复合字典。研究复合字典多原子匹配的稀疏分解及重构算法以用于提取故障特征,并在重构算法中引入阈值降噪原理。滚动轴承故障试验信号和工程信号分析结果证明,在冲击性故障特征提取效果上,基于信号特征的复合字典多原子匹配优于单原子匹配,并且硬阈值降噪处理效果优于无阈值处理效果。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。