基于奇异值分解的突变信息检测新方法及其应用

提出了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。利用该方法对任选的一数值信号和旋转机械静动件早期碰摩故障数值仿真信号进行了检测,并将检测结果与信号的小波变换结果进行了比较,结果表明,该方法是可行的,能够有效地应用于信号的奇异性检测。另外,还分析了噪声信号对该方法与小波变换方法所得结果的影响。最后,将该方法应用于旋转机械静动件早期碰摩故障试验信号的检测,获得了满意的结果。     

基于调制宽带转换器的机械振动信号检测

针对目前机械振动信号频带越来越宽,以香农采样定理对其进行采样将会带来海量数据的传输、存储及处理等一系列问题,提出一种基于调制宽带转换器(modulated wideband converter,MWC)的机械振动信号采样方法,可以实现对高频振动信号的低速采样。首先在频域中按照机械振动信号能量的集中程度将其频谱划分为若干数量的频谱片段,然后根据机械振动信号的最高频率、划分谱带数和谱带最大带宽等先验知识设计合理的MWC采样系统参数,最后利用MWC采样系统实现对机械振动信号的低速采样并从欠采样数据中恢复出原始信号。仿真实验表明:在不损失振动信息的前提下,该方法可以有效降低后端采样设备的采样速率,并且可以从少量采样数据中实现高概率信号重构。     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再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,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

正弦信号非零奇异值的变化规律研究

在信号的奇异值分解中,非零奇异值是信号的重要特征参数,其变化对特征提取结果有重要影响。研究了非零奇异值的变化特性,发现随着矩阵维数的增大,正弦信号的非零奇异值并不是单调上升的,而是在上升过程中存在周期性波动。进一步研究发现,这种波动和原信号的频率密切相关,原信号的频率越大,非零奇异值的波动速度就越快。从理论上对非零奇异值的这种变化规律进行了分析,证明了非零奇异值波动的快慢是由正弦信号的频率决定的,而其波动基频是原始信号频率的两倍,并通过数值模拟实例进行了验证。     

小波变换对突变信号峰值奇异点的精确检测

研究了小波变换对突变信号峰值奇异点的精确检测机理和方法,采用了离散小波变换的直接算法,避免了塔式算法在本检测方法中的某些局限性。通过模拟算例和应用实例的验证,证明即使在有严重噪声干扰的情况下,该方法也很容易实现对突变信号峰值奇异点的准确检测和精确定位,具有相当高的定位精度（其误差不大于1个采样点）和分析精度（不存在累积误差）,同时具有较高的实时性。     

动应变测量系统在机械振动信号检测中的应用

利用电阻应变计开发的动应变测量系统,成功的实现了机械振动信号的动态检测.这里对动应变测量系统进行分析,并在实测中验证了该测量系统的功能.     

机械振动微弱慢频变信号的混沌振子检测

机械振动微弱信号的检测与识别有利于早期故障的检测与诊断。用Duffing混沌振子检测微弱振动信号具有明显的优势。提出了用混沌振子检测慢变频微弱振动信号的方法。在给出Duffing混沌振子对微弱信号检测的基本原理后，根据慢频变信号的特征，对信号进行了周期离散，提出了对暂态信号进行时域延拓的方法，分析了可行性。提出了幅频联调方法，设计了检测原理，并给出了实现步骤。结合所提出的两种方法，对带噪声的频变微弱振动信号进行了检测分析。仿真结果和实际采集信号分析结果支持了所提出方法的适用性。     

独立分量分析在机械振动信号上的应用研究

独立分量分析在机械振动信号的特征提取上能起到重要作用。首先建立以信息论为框架的独立性判据和优化算法,然后给出衡量独立分量分析分离性能的指标,这样建立的优化算法能很好地分离出混合信号。最后对两个亚高斯信号和一个超高斯信号的混合信号进行仿真实验。仿真结果表明,灵活的ICA算法分离效果要好于随机梯度算法的分离效果,该信号分析方法具有收敛性好,误差小的优点。     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

基于奇异值和奇异向量的振动信号降噪方法

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。     

机械微弱振动信号检测的研究

研究了信号局部奇异性在小波变换下的特性。根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解重构算法,对机械振动信号进行了分解、去噪、重构和谱分析。实验表明,小波减噪方法非常适于机械微弱振动信号的检测。     

最优Morlet小波滤波及其在机械故障特征分析中的应用

分析了Morlet小波及其滤波特性,结合小波变换技术和奇异值分解技术,提出了基于最优Morlet小波和奇异值分解的滤波消噪方法,解决了传统小波去噪方法的不足,即如何选取小波基、阈值方法和阈值。依据最优Morlet小波滤波方法,研发了基于小波变换的故障特征分析仪,并应用于轴承故障的特征提取,实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的。     

基于时间信息融合的振动故障诊断方法

由于依靠一个状态的数据进行融合诊断存在误诊和漏诊的可能性,提出了一种基于时间信息的融合诊断方法,以小波分析和概率模型为分析手段,给出了基于时间信息融合的具体算法,并定义了故障定量判别的指标——故障度.通过转子故障模拟试验得到了大量数据,对故障实例的计算以及振动信号的分析结果表明,故障度能够有效地区分故障类别,提高了诊断的准确性.     

轴承振动信号中调幅特征的奇异值分解提取方法

滚道损伤会在轴承振动中引起调幅现象,但当损伤较轻微或者噪声干扰较严重时,这种特征难以显现出来.提出利用奇异值分解(Singular value decomposition,SVD)来提取这种调幅特征.在Hankel矩阵方式下,SVD可将信号分解为一系列分量信号的简单线性叠加.利用这一特件,对轴承振动信号构造Hankel...     

基于振动信号特征量SVM分类的配变故障识别方法

配变油箱表面的振动信号富含绕组和铁芯的各类状态信息,是绕组和铁芯工作状况的最直接体现。采用希尔伯特黄(Hilbert-Huang Transform,HHT)带通滤波提取配电变压器振动信号主成分,获得表征绕组状态的100Hz分量及表征铁芯状态的150~1000Hz分量;利用负载电流拟合法提取绕组振动信号的特征量,通过测到的已知振动信号估计指定负载下的绕组100Hz振动幅值,构成绕组振动的特征向量;利用具有良好泛化能力及鲁棒性的双谱奇异值表征铁芯振动的特征。提取实验室试验测得的绕组松动、绕组变形、铁芯松动、铁芯两点接地以及铁芯接地不良等故障振动信号的特征向量,用基于信息融合的支持向量机(Support Vector Machine,SVM)实现绕组和铁芯状态的识别,结果验证了本文方法的有效性和准确性。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

基于参数优化Morlet小波变换的故障特征提取方法

针对轴承或齿轮箱等机械元件的故障振动信号表现为冲击衰减波形的特点,提出一种基于参数优化Morlet小波变换的故障特征提取方法。利用最小Shannon熵方法优化Morlet小波的形状参数,实现与冲击特征成分的最佳匹配,再对小波变换系数矩阵进行奇异值分解,根据奇异值曲线中主要反映突变信息的过渡阶段所对应的尺度范围求得最佳小波变换尺度,最后对信号进行Morlet小波变换提取故障特征。仿真试验和实际应用的结果表明,该方法能更有效地从强噪背景中提取故障特征。