基于奇异值分解及形态滤波的滚动轴承故障特征提取方法*

针对滚动轴承振动信号故障特征信息往往被强背景噪声淹没的问题,提出一种基于奇异值分解和形态滤波的振动信号故障特征提取方法。该方法利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,选择轨迹矩阵中主要反映冲击信息明显的奇异值进行信号重构的方法来滤除信号中的平滑信号和部分噪声,获取带噪声的冲击信号;然后利用形态滤波能有效滤除脉冲干扰噪声的特点,反其道而行之,从而提取信号的冲击故障特征的方法,并将该方法应用于轴承的振动信号的故障特征提取。仿真与实例表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法。     

基于小波包和PNN的电能质量扰动定位与分类

根据暂态电能质量扰动现象的本质特征,提出一种基于小波包和PNN的电能质量扰动定位与分类新方法。该方法利用小波包对扰动信号进行采样和分解,提取小波包重构系数并定位信号突变点,然后计算各频段的能量并进行归一化处理,构造能量特征向量作为PNN的输入样本,进行PNN网络训练和测试,最终实现不同扰动信号的分类。Matlab仿真结果表明,该方法能够快速、准确地定位和区分扰动信号。     

基于GST的煤矿电能质量扰动特性分析

针对我国现代化矿井的发展现状,阐述煤矿主要存在的4种暂态扰动信号的产生原因及特征,结合广义S变换(GST,generalized S-transformation)在分析电压幅值、持续时间及频率等方面的优越性,从不同角度提取模时频矩阵(MTFM,module time-frequency matrix)中频域和时域的有用特征,对4种暂态扰动信号:电压暂降、电压暂升、电压波动和电力谐波进行仿真分析.Matlab结果表明,基于GST的MTFM特征量提取方法能有效地检测到扰动的幅值突变、持续时间及频率变化,高频检测能力好.这些不同的特征可为进一步煤矿电能质量的扰动识别以及综合治理打下基础.     

基于改进的BP神经网络和小波奇异值的交通事件检测

针对交通事件检测,提出了利用改进的BP神经网络和小波奇异值的新方法。首先利用小波奇异值来量化原始交通流信号的特征,然后将小波奇异值作为神经网络的输入,对交通事件类型进行识别。对交通流信号进行小波包变换分解,获取交通事件的小波系数;利用相重构技术将小波系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;最后用MATLAB进行仿真分析,结果表明该算法能较准确的进行分类,具有一定的应用价值。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于单样本的手掌静脉识别方法

针对单样本手掌静脉识别率较低的问题,研究了一种结合手掌静脉2DPCA特征和分区LBP特征的识别方法。利用图像重采样和奇异值扰动方法生成虚拟样本,利用2DPCA从生成的虚拟样本图像上提取静脉特征进行识别;利用LBP从原单样本手掌静脉提取分区特征进行识别;利用决策层融合方法将以上两种方法进行融合。在Poly U手掌静脉库上的实验表明,该方法能有效地解决手掌静脉的单样本识别问题。     

基于S变换特征提取和隐马尔科夫模型的故障诊断方法研究

轴承的故障信号特征提取和故障的识别在机械化生产中具有重要的意义,对此提出了基于S变换特征提取和隐马尔科夫模型的故障诊断方法。为了获取所需的故障特征信息,首先对采集到的轴承信号进行S变换,并对变换结果进行奇异值分解,提取信号特征。将获取到的奇异值构造成信号特征矩阵,用于建立隐马尔科夫的故障识别模型。试验的结果证明了本文的方法在轴承的故障检测中的有效性。     

基于S变换模矩阵的电能质量暂态检测

针对配电网暂态电能质量扰动分类方法复杂度高和扰动定位不精确的问题,提出了一种基于S变换模矩阵与分类规则树的扰动自识别及定位方法.该方法通过对信号进行S变换进而从变换结果中提取四个特征量判据,然后基于分类规则树形成自识别方法;再采用S变换模矩阵的幅值包络方法和幅值平方和均值方法,检测扰动信号的幅度变化以及定位起止时间.通过仿真验证该方法能够以较低的复杂度完成对扰动信号的快速、准确分类与定位.     

基于组合特征和BTSVM的电能质量扰动识别

为了克服单一特征不能完全表征各种暂态扰动信号特征的不足,提出了一种基于组合特征和二叉树结构支持向量机相结合的电能质量多分类方案。利用小波包变换对扰动信号进行分解,提取特定频带下信号的能量,利用S变换获得扰动信号的模矩阵,从中提取出特征信息,然后将多频带信号的能量和对应的S变换特征信息组合得到组合特征。对依据聚类思想设计出的二叉树结构支持向量机分类器进行了训练和测试。仿真结果表明,该方法具有较好的准确性和识别速度,能够有效识别常见扰动信号,平均识别率提高了6%以上,测试总用时缩短0.06秒,训练时间减小1.8秒。     

基于db4提升小波的暂态电能质量的检测

暂态扰动是影响电能质量的重要因素之一,对电力用户和电力系统都会产生危害。针对暂态扰动信号具有非平稳性、突变性的特点,分析了db4提升小波变换的特性,提出了更新—预测—更新—预测—更新的结构,选择了合适的采样频率和分解层数,对暂态电能质量扰动信号进行检测与定位。在MATLAB仿真环境下,利用db4提升小波变换对电压暂降、暂升、中断以及暂态脉冲、振荡等几种暂态电能质量扰动信号进行检测与定位,仿真结果表明,该方法可以实现对扰动信号起止时刻更为准确的检测与定位,且计算速度快。     

基于奇异值分解的掘进机振动信号特征量提取

针对掘进机动载荷识别难度大的问题,提出了基于奇异值分解的掘进机振动信号特征量提取方法。对采集的振动信号进行小波包分解,重构底层各频带节点系数,进而构造时频矩阵;对该矩阵进行奇异值分解,并基于Fisher判据,利用基于散度矩阵的类可分性准则,选择对不同截割岩壁硬度较为敏感的奇异值作为振动信号的特征量,并利用散度矩阵准则值来解决无法定量衡量各阶奇异值对截割硬度敏感程度的问题。与小波包频带能量法提取的特征向量进行比较,结果表明,对于掘进机水平截割、垂直截割和纵向钻进3种工况下的振动信号,基于奇异值分解法提取的特征向量都具有更好的类可分性。     

自适应多尺度SVD去噪算法及在PQMD中的应用

为了提高电能质量复合扰动（PQMD）信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD（Adaptive Multi-resolution Singular Value Decomposition,AMSVD）去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换（HHT）提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。     

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

一种改进的抗几何攻击的数字图像水印算法

利用奇异值分解的特性,提出了一种改进的基于奇异值分解的数字水印算法。该算法通过设定采样的起始和终止参数,对图像的频域幅度值进行有选择的部分采样。然后利用采样后的数据构造嵌入水印的数据矩阵,并对数据矩阵进行分块奇异值分解,获取一个由次大奇异值组成的数字序列。最后通过可调强度的加性方法,在次大奇异值上嵌入水印信息。依靠数据矩阵的采样构造方式和次大奇异值的几何攻击不变性实现了数字水印的抗几何攻击性。实验结果表明,该方法较传统方法而言有更高的灵活性和鲁棒性。     

带干扰传输链路中分布式光纤信号无损降噪算法研究

为了提高接收端信号准确性,降低链路传输过程中的信号干扰,为此设计了带干扰传输链路中分布式光纤信号降噪算法设计。提取分布式光纤信号的时域与频域特征,得到信号输出功率。在确保信号输出功率最大的前提下,将信号分解、映射到相空间内,根据奇异值分解定理,获取信号奇异谱,根据信号奇异分析样本信号,结合小波包分解及软阈值算法完成分布式光纤信号无损降噪。实验结果表明,所提算法的光纤信号降噪效果优于实验对比方法,且信号无损伤,同时该算法运行效率更高,具有可靠性与实用性。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于广义S变换的水下目标特征提取

针对水下目标识别中特征矢量难以准确提取的问题,提出了基于广义S变换模时频矩阵奇异值的水下目标特征提取方法。首先对目标信号进行广义S变换,然后提取广义S变换模时频矩阵奇异值作为目标识别特征矢量,最后利用概率神经网络实现目标识别。广义S变换在S变换的基础上,通过改变窗宽因子可提高信号分析的频率分辨率或时间分辨率,从而可根据信号分析需求实现水下目标非平稳非线性信号的时频分析。实验结果表明提取广义S变换模时频矩阵的奇异值作为目标识别特征矢量能够有效区分各类目标,且选取不同的窗宽因子具有不同的识别结果。     

基于内禀模态奇异值分解和支持向量机的故障诊断方法

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于EMD与奇异值差分谱的侧信道信号特征提取

为了从强烈的背景噪声中提取侧信道信号的特征信息,提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解,计算各个特征模态函数（IMF）与原始信号的相关系数,找到最大相似特征分量;再对该分量进行奇异值分解求出对应的奇异值差分谱;最后根据差分谱进行重构和消噪,进一步提取分量的特征信息。实验结果表明,该方法可以有效应用于侧信道信号的特征提取,成功提高信号的信噪比和攻击成功率。     

基于广义形态滤波和MRSVD的故障诊断方法研究

为了从复杂工况下获取滚动轴承故障信息,提出了一种基于广义形态滤波和多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）相结合的方法。首先利用广义形态学滤波方法对振动信号进行降噪预处理;然后利用MRSVD对降噪后的振动信号进行分解;最后通过峭度准则选取故障特征最丰富的细节信号,并对其进行Hilbert包络谱分析。将提出的方法应用于滚动轴承的故障检测,实验结果表明该方法能清晰地提取故障特征信息。