机械振动信号中突变信息检测的新方法研究

提出利用时间序列重构的吸引子轨迹矩阵奇异值分解的方法检测信号中的突变信息。针对２组数值信号,利用该方法进行检测,并将检测结果与小波变换结果进行比较。结果表明,该方法是可行的,从而为信号奇异性检测撮一种有效工具。     

基于奇异值分解的故障检测技术及其应用

针对基于未知输入观测器的诊断方法在诊断多故障时具有局限性，提出了一种基于奇异值分解的诊断方法，这种方法通过奇异值分解将不同故障对系统残差的影响进行分离，给出了多故障检测与分离的方法，仿真证明这种方法对于多故障诊断有很好的效果。     

基于奇异值分解的磁记忆信号特征提取方法

针对金属磁记忆信号容易受到环境噪声影响,使得缺陷信号可检测性降低的情况,首先,利用传统的奇异值分解方法对场桥主梁磁记忆信号进行分解和重构,发现尽管可以取得较为理想的降噪效果,但如何自适应确定重构时的奇异值个数仍存在困难;然后,将磁记忆信号按照二进递推方法构造矩阵,重复进行奇异值分解可以获得具有不同分辨率的近似信号和细节信号,从而形成多分辨奇异值分解,其中细节信号对应磁记忆中的噪声成分,近似信号为去除噪声之后的有效磁记忆信号,从而实现了磁记忆信号的降噪。将该方法用于某场桥主梁磁记忆信号的处理,有效地提高了重构信号的信噪比,准确地判断出了该主梁的应力集中区域,为评估其应力状态和早期故障诊断奠定了基础。     

基于奇异值分解的欠定盲信号分离新方法及应用

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。     

基于变矩阵结构奇异值分解的信号分解算法

矩阵结构对奇异值分解的信号处理效果有重要影响,改变传统算法中矩阵结构固定的思想,提出在奇异值分解中采用变化的矩阵结构,每分解一次,矩阵结构就改变一次,以适应信号中不同的周期性分量。每次的分解都将上一层的信号分解为主、副两个分量,提取副分量,而对主分量再次进行变矩阵结构的奇异值分解,如此反复进行,最终将原始信号分解为一系列主、副分量。信号处理实例表明,这一方法具有良好的信号分离效果,能够实现信号中不同周期性分量的有效分离。     

基于奇异值分解的人脸识别方法

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL(Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.     

截尾奇异值分解技术在动平衡中的应用

在最小二乘影响系数法动平衡中,由于计算中有求逆过程,因而可能引起计算所得平衡质量缺乏适宜性,引起平衡失败,为解决这一问题,引入了截尾奇异值分解技术（ＴＳＶＤ）,实践证明平衡效果是好的。     

奇异值分解技术在齿轮箱故障诊断中的应用

首先利用伪相图确定齿轮箱振动信号的基本周期,并在此基础上对原始信号进行时域平均降噪处理。然后应用奇异值分解技术提取各齿轮轴的振支信号分量,再对此振动信号分量作进一步的时、频域分析,给出了描述齿轮轴振动信号分量变化的定量指标。最后结合实例说明这种方法对诊断齿轮箱故障是比较有效的。     

基于奇异值分解拓展应用的故障特征提取技术

以奇异值分解理论为理论基础,通过对奇异值分解矩阵的架构分析,提出了滑移矩阵序列的架构方法。以该方法为指导,引入差异谱、主奇异和、最大特征值重构和最优化滤波器设计等方法,成功实现了滚动轴承故障特征提取。试验数据分析结果表明,提出的基于滑移矩阵序列奇异值分解的故障特征提取技术对于滚动轴承微弱冲击故障特征具有优越的识别和提取能力,对实现滚动轴承强噪声背景下的故障诊断具有重要意义。     

基于图像奇异值分解的滚动轴承故障模式识别

基于滚动轴承振动信号的三维和二维谱图中包含丰富故障信息和图像矩阵奇异值能够反映图像本质的客观事实,对滚动轴承振动信号二维灰度图矩阵进行了奇异值分解。应用奇异值欧氏距离作为两幅图像相似程度的度量尺度从而实现轴承的故障诊断。对实测轴承故障数据的分析表明:该方法具有较高的故障模式分类精度,但随着故障尺寸的增加,由于轴承各部件之间的影响,其诊断正确率会有所降低。与基于图像纹理特征的灰关联识别结果对比表明,该方法总体识别效果更好。     

基于奇异值分解的铣削力信号处理与铣床状态信息分离

利用连续截断信号构造矩阵,通过奇异值分解可以将信号表示为一系列分量信号的简单线性叠加,证明了各分量之间是两两正交的,且具有零相位偏移特性.根据分量信号的信息量可以确定合理的矩阵结构.对铣削力信号的处理实例表明,奇异值分解方法分离出机床主轴旋转基频近乎完整的时域波形,分辨出两个频率很接近的信号分量,发现信号中隐藏的调幅现象,证实机床的爬行并确定爬行频率.最后与小波变换的结果进行比较,表明这一方法对铣削力信号的分离效果优于小波变换.     

新的时序分解算法及其在设备故障诊断中的应用

引入一种新的时序分解算法,该算法是由S变换推导出的,可将一维时间序列分解成二维局部时序模型.通过对分离时序中不同的分量进行研究,可得到时序的局部特征及其隐含特性.数值仿真试验验证了该算法用于提取特征信息的可行性.在该时序分解算法基础上定义了一个描述时序统计特征的参数,采用此参数对不同故障齿轮的数据分析验证了该算法对设备故障进行分类的有效性.     

基于时序分析的经验模式分解法及其应用

经验模式分解方法可以将非线性非平稳信号分解为有限的固有模式函数,在故障诊断中这个固有模式函数常常就是故障信号。但当两侧端点不为极值点时,会造成三次样条拟合的极值包络线大大偏离实际值,并且随着分解的不断进行向内“污染”。提出采用时间序列建模与预测方法,对原信号两端点进行预测,有效地消除了端点效应。指出经验模式分解具有分解的自适应性特点。最后,给出了齿轮箱振动信号的应用实例。     

基于EEMD分解和奇异值差分谱理论的轴承故障诊断研究

提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和奇异值差分谱的轴承故障诊断方法。首先将非平稳的原始轴承振动信号通过EEMD方法分解成若干个平稳的本征模函数(intrinsic modefunction,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,所提出的方法能有效地应用于轴承的故障诊断。     

IMPROVED SINGULAR VALUE DECOMPOSITION TECHNIQUE FOR DETECTING AND EXTRACTING PERIODIC IMPULSE COMPONENT IN A VIBRATION SIGNAL

Vibration acceleration signals are often measured from case surface of a running machine to monitor its condition. If the measured vibration signals display to have periodic impulse components with a certain frequency, there may exist a corresponding local fault in the machine, and if further extracting the periodic impulse components from the vibration signals, the severity of the local fault can be estimated and tracked. However, the signal-to-noise ratios (SNRs) of the vibration acceleration signals are often so small that the periodic impulse components are submersed in much background noises and other components, and it is difficult or inconvenient for us to detect and extract the periodic impulse components with the current common analyzing methods for vibration signals. Therefore, another technique, called singular value decomposition (SVD), is tried to be introduced to solve the problem. First, the principle of detecting and extracting the signal periodic components using singular value decompos     

基于减基法的结构快速设计方法及其应用研究

针对基于有限元方法的结构优化设计计算效率较低的问题,将减基法与有限元方法结合,对结构进行快速计算,从而实现结构的快速设计。以某型赛车车身结构设计为研究对象,主要考虑减基法在静力学和模态动力学中与有限元的混合数值方法,在保证精度的前提下,提高单次静力学和动力学的计算速度。该方法通过构建合理的解空间,将原设计空间缩减为较精简的设计空间,从而提高计算效率。在该空间基础上,以轻量化为目标,对该赛车车身结构进行设计。结果表明,在典型工况下该方法能够在节约计算成本的同时取得较好的优化效果。     

基于小波包分解和支持向量机的机械故障诊断方法

提出应用小波包分解和支持向量机进行机械故障诊断的方法。该方法将振动信号小波包分解后的频带能量作为特征向量,输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度,表明该方法是有效的、可行的。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于多传感器信息融合的故障诊断方法研究及应用

针对传感器采集的信息具有不确定性和冲突性的特点,提出一种基于证据理论的多传感器信息融合故障诊断方法。利用冲突证据判据判断相似性证据和冲突证据,保留相似性证据,通过相似度对冲突证据进行有针对性地修正,这种判断和修正方式可以降低传感器证据信息的不确定性,并减弱冲突信息对诊断结果的影响。结合神经网络建立特征空间到证据空间的映射,有效利用网络输出结果构建原始证据,最后将修正后的证据进行D-S(Dempster-Shafer)合成。通过齿轮泵早期故障试验,与传统频域分析、神经网络和其他证据合成方法对比,所提方法具有较高的诊断精度,从而验证新融合方法的有效性。