基于拟合误差最小化原则的奇异值分解降噪有效秩阶次确定方法

为了最大限度地提高旋转机械设备故障振动信号的信噪比,研究了奇异值分解降噪的原理,提出了一种新的奇异值分解降噪有效秩阶次的确定方法。首先,对振动信号进行相空间重构,对吸引子轨迹矩阵进行奇异值分解;然后,按不同的阶数,将奇异值分成信号组和噪声组,对每次分组的结果,以阶数为自变量、以奇异值为因变量,拟合成信号特征奇异值曲线和噪声特征奇异值曲线,并求拟合误差;最后,将拟合误差最小值对应的奇异值阶数确定为有效秩阶次,并进行奇异值分解降噪。通过数值仿真和实际齿轮故障数据分析,表明该方法可以有效地提高信号的信噪比,为后期的故障特征提取创造有利条件。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于连续小波系数非线性流形学习的冲击特征提取方法

为了提取机械设备故障引发的冲击成分,提出了一种基于连续小波系数非线性流形学习的冲击故障特征提取方法。首先,基于小波熵方法优化出最优的Morlet小波波形参数,实现与冲击特征成分的最佳匹配,获取包含冲击特征信息的最优小波系数矩阵。其次,采用局部切空间排列算法对最优小波系数矩阵进行非线性约简,并基于峭度指标最大化原则,确定出特征空间中的有效低维嵌入,从而提取出最优的冲击故障特征。最后,通过仿真数据和工程实际的应用对比分析,表明该方法采用了局部线性化和全局排列的思想,与线性奇异值分解方法相比,不仅在时域上提取出峭度更大的微弱冲击特征成分,而且在频谱中还提取出了相应的低频故障特征。     

基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

基于核形态成分分析的齿轮箱复合故障诊断研究

形态成分分析（MCA）是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

基于核映射稀疏表示分类的轴承故障诊断

针对传统稀疏表示分类算法在低维空间分类精度难以保证问题,论文提出了基于核映射的稀疏表示分类算法。采用核映射方法获得了低维样本在高维空间的坐标,改善了样本间的线性可分度;在此基础上,利用稀疏表示分类算法获得样本在高维空间上的稀疏解。经滚动轴承故障分类实验验证：新算法对核参数具有较高的鲁棒性;可明显提高分类精度。     

基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法

提出了基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现碰摩故障时,振动信号往往由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。本文方法先利用信号共振稀疏分解方法从转子碰摩信号中提取冲击成分,再对提取的冲击成分进行重分配小波尺度谱分析,最后根据尺度图中冲击成分的周期诊断转子碰摩故障。算法仿真和应用实例验证了该方法诊断转子碰摩故障的有效性。     

基于稀疏表示和SVM的航空发动机故障诊断

针对某型航空发动机减速器一级齿轮毂断裂问题,考虑其不易拆卸的特点,提出基于信号稀疏表示和支持向量机(Support Vector Machine,SVM)的故障诊断算法。首先,利用稀疏表示提取出最大和次大的稀疏系数作为特征向量。其次,选取支持向量机进行故障识别,在小样本学习条件下保持了较高的识别准确率。通过对简易减速器和航空发动机振动信号的分析证明了所提算法的有效性及其在工程应用中的价值。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

K-SVD小波降噪在齿轮故障诊断中应用

针对早期齿轮故障诊断中噪声干扰大,故障特征难以提取的问题提出基于K-SVD稀疏表示小波降噪算法。该算法克服传统小波阈值降噪算法只对小波系数进行逐点处理,而忽略小波系数整体架构的缺点,充分考虑小波系数结构特点,在强噪声下仍具有很好稳健性。通过对模拟信号和实测发动机减速器齿轮毂信号分析,证明小波降噪算法正确性和在实际工程应用中的价值。     

基于滑动平均与相关向量机的齿轮早期故障智能诊断

早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。     

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。     

形态非抽样小波及其在冲击信号特征提取中的应用

针对形态小波分解过程的抽样引起信号长度逐层递减的问题,提出一种基于多尺度Top-Hat变换的形态非抽样小波构造方法。利用形态非抽样小波的一般框架,分别采用形态学开运算和多尺度Top-Hat变换作为形态非抽样小波分解的近似信号和细节信号的分析算子,使形态小波分解过程中信号长度保持不变,从而保证了形态分析时所需的信息量。结合转子振动冲击特征信号提取试验,验证所提方法在故障诊断中应用的可行性与有效性。     

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。     

冲击振动提取的优化稀疏表征方法

针对在背景噪声及其他振动干扰下冲击振动信号提取问题,提出了一种利用基追踪实现冲击振动优化稀疏表征的方法。建立了冲击振动提取的稀疏求解问题模型,设计了用于冲击振动特征提取的变换基,并利用特征谱线在频谱中所占能量比作为评价冲击振动提取效果的指标,实现了冲击振动成分的优化提取。将该方法用于仿真试验和齿轮故障诊断,结果表明,与Morlet小波软阈值方法相比,本文所提方法能更好地提取微弱周期性冲击成分,具有很好的应用前景。     

一种EMD改进方法及其在旋转机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)中存在的端点效应问题,提出一种波形特征匹配延拓与余弦窗函数相结合的改进方法。首先对信号进行波形特征匹配延拓,实现延拓数据与原信号交界处的光滑过渡,避免边界处瞬时频率的跳跃;其次针对该延拓方法存在延拓误差的问题,对信号加余弦窗处理,将延拓误差控制在信号两端,使其无法(或以较慢速度)向数据内部发展,保证信号有效数据的正确分解,提高信号的分解精度,实现EMD算法的改进。通过仿真分析和不对中故障诊断实例研究表明,该方法能较好地抑制EMD端点效应,实现旋转机械故障的有效诊断。     

Medical image fusion based on nuclear norm minimization

Medical image fusion plays an important role in diagnosis and treatment of diseases such as image‐guided radiotherapy and surgery. Although numerous medical image fusion methods have been proposed, most approaches have not touched the low rank nature of matrix formed by medical image, which usually lead to fusion image distortion and image information loss. These methods also often lack universality when dealing with different kinds of medical images. In this article, we propose a novel medical image fusion to overcome aforementioned issues on existing methods with the aid of low rank matrix approximation with nuclear norm minimization (NNM) constraint. The workflow of our method is described as: firstly, nonlocal similar patches across the medical image are searched by block matching for local patch in source images. Second, a fused matrix is stacking by shared nonlocal similarity patches, then the low rank matrix approximation methods under nuclear norm minimization can be used to recover low rank feature of fused matrix. Finally, fused image can be gotten by aggregating all the fused patches. Experimental results show that the proposed method is superior to other methods in both subjectively visual performance and objective criteria. © 2015 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 25, 310–316, 2015