基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题，提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先，对原始信号进行奇异值分解(Singular Value Decomposition，SVD)处理，运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号；其次，为防止故障信息丢失，将残余信号进行麻雀算法(Sparrow Search Algorithm，SSA)优化的变分模态分解(Variational Mode Decomposition，VMD）算法处理，得到最佳的模态个数K和惩罚参数α，选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号，并对信号进行包络分析；最后，通过仿真和试验数据分析得出，该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征，为设备的状态监测和故障诊断提供理论依据。     

一种基于SVD的改进LTS气动数据异常检测方法

用稳健的最小截平方和(LTS)估计检测气动数据中的异常,但气动数据是海量和高维的,使得LTS要求解的矩阵维数很大,造成巨大的时空开销.为此,引入迭代的奇异值分解(ISVD)求解LTS的最小二乘问题,实现更快的异常检测.实证分析采用某飞行器外形数据,分别运用OLS,FastLTS以及ISVD-FastLTS对数据集进行异常检测和对比分析.实验证明,相比于传统方法,ISVD-FastLTS能更加快速且准确地识别异常值.     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

一种基于快速随机投影的矩阵填充方法

为了解决在矩阵填充过程中的高维度和高计算成本的问题,提出一种基于快速随机投影的矩阵填充方法(FRPMC)。利用对矩阵的随机投影的方式对需要填充的矩阵进行降维,然后构造SVD的近似模型来重构矩阵来实现矩阵填充的功能。通过仿真实验证明了该算法的可行性。与其他一些传统算法进行对比,FRPMC在图像恢复的实验中图片恢复的峰值信噪比和运行时间均比奇异值阈值法、加速近邻梯度法和增广拉格朗日乘子法要好。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

配电网三相概率潮流计算方法研究

配电网三相概率潮流计算通常假设输入量非相关,但实际输入量之间存在相关关系,为此,提出一种采用奇异值均匀采样的方式处理随机变量,并与半不变量、Gram-Charlier级数相结合的三相概率潮流算法,该算法能将多维非正态相关的向量转化成多维正态非相关向量,然后进行概率潮流计算,能够得到节点状态向量和支路潮流的计算信息,而且能极大地提高运算效率,并以IEEE 14节点辐射状系统为算例,采用蒙特卡罗法进行对比,验证概算法的有效性。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。