基于改进稀疏编码的微弱振动信号特征提取算法

针对强噪声环境下难以有效提取微弱振动信号特征的问题,提出了基于改进字典学习和移不变分量过滤(IDL-SICF)的稀疏编码振动信号特征提取算法。首先,将振动信号进行分段和平滑预处理以降低数据处理复杂度,接着利用改进的字典学习和高效系数求解算法构建基于移不变稀疏编码的自适应滤波器,然后过滤字典原子重构的移不变分量以获得表征信号本质特征的最优基函数,取最优基函数对应的移不变分量的特征频率强度作为评价信号特征提取效果的优劣。仿真和实测数据的试验结果表明,相比于现有微弱振动信号提取算法,提出的算法具有更强的特征提取能力,在实际应用中具有较高的可行性。     

基于ADMM字典学习的滚动轴承振动信号稀疏分解

在稀疏分解过程中,字典模型构建的结果会直接影响稀疏分解的效果。为获得结构更好的字典,提出了一种基于交替方向乘子法(ADMM)的字典学习方法,在字典学习过程中采用交替方向乘子法逐个更新字典中原子,得到的字典具有良好的结构。将该字典学习方法应用到滚动轴承振动信号稀疏分解中,能获得更快的字典学习速度和更好的稀疏分解效果。与K-SVD字典学习方法相比较,证明了所提方法在轴承信号稀疏分解中的优越性。     

基于字典学习算法的调度运行信息稀疏编码方法

在电力系统中,随着电网规模的不断扩大,运行信息的数据规模与复杂程度不断增大,对其编码效率提出了更高的要求。字典学习算法是当前应用较为广泛的人工智能算法,其优势在于能够给出一个标准的基础信息库,使得依据该库所得到运行信息表示形式相对稀疏。首先介绍了字典学习算例原理与实施方法;结合电力系统调度运行控制实际,提出了基于字典学习的调度运行信息稀疏编码方法。最后基于某电网实际,利用近二年的运行记录信息构建了调度运行字典。算例表明利于该字典所编码表示的调度运行记录稀疏度处于0.35～0.80之间,符合大数据处理的稀疏性要求。     

改进字典学习的振动信号检测方法

机械零部件振动信号包含了大量机械系统运行状态信息,针对传统检测方法依赖于经验知识和人工定参,提出了一种改进字典学习的振动信号检测方法。通过原始振动信号自身驱动,采用非负条件下基于K奇异值分解的改进算法训练超完备字典,结合基追踪算法稀疏编码,重构实现振动信号预处理。根据重构信号的包络谱,对比先验计算频率。仿真和实验结果表明,改进字典学习的振动信号检测方法能够有效提取故障频率,适用于故障检测,为基于振动信号实现机械系统智能化维护提供了参考。     

基于PDE的振动信号去噪

通过研究偏微分方程(Partial differential equation,PDE)在图像去噪中的原理和方法.针对传统滤波去噪方法所存在的问题,提出一种基于PDE的机械振动信号去噪方法.详细分析基于Gauss滤波核函数的PDE去噪模型,并推导模型的离散化过程.与传统去噪方法的对比试验表明,该方法可有效消除振动信号中的噪声干扰,同时保持信号的边缘特性和内部连续性,且去噪之后信号畸变少.因PDE方法本身的平滑特性,该方法的去噪效果受PDE演化的迭代次数和振动信号本身的平滑特性因素的影响,对低频振动信号具有更好的去噪效果.     

基于内容的双字典学习及稀疏表示的图像重构

提出了一种基于内容的双字典学习和稀疏分解结合起来的算法.针对待复原图像内容间的差异性,将训练图像块采用聚类的方法得到多个分类式的字典,从中选择最合适的内容分类来进行图像的恢复,这样做使算法更具区分性,提升了图像的自适应能力.在此基础上,将高频信息分为主要高频和次要高频,并训练双重字典,结合稀疏表示的方法对图像进行重构,这比传统的基于字典学习的算法捕获了更多的图像高频信息,进一步提升了图像重构的质量.方法采用了K-SVD算法以提高稀疏字典编码的计算效率.与其他方法相比,该算法获得了更为精细的图像细节,在PSNR测试数据和主观视觉上都获得了理想的提升.     

基于稀疏分解的振动信号数据压缩算法

针对齿轮传动装置在状态监测与故障诊断过程中面临的大量振动信号传输困难问题,提出利用K-SVD算法进行信号的稀疏分解,进而完成对大量振动数据的压缩。传统K-SVD算法在字典更新过程中对时间的消耗量较大,特别是在大量振动数据压缩过程中,对数据压缩效率较低,为此提出一种K-SVD字典更新的改进算法。改进算法从单次迭代过程中参与更新的字典原子列数出发,每次奇异值分解后对多列字典原子同时进行赋值,从而减少单次迭代计算量。根据不同原子列数在稀疏分解过程中的迭代收敛次数、时间消耗与重构峰值信噪比,以此确定最佳的字典更新列数。实验结果表明:传统K-SVD算法对振动信号的数据压缩效率较低,改进算法能够在保证信号压缩比与重构效果的前提下,有效缩短训练字典的时间消耗。     

基于稀疏算法的压缩机振动位移信号压缩技术

针对振动信号长期连续监测存在的数据存储量过大,造成资源浪费的问题,对机械振动信号的压缩方法进行了实验研究,其中振动位移信号来自于现场使用的离心压缩机机组。将三种典型的最优稀疏表达方法:基于框架的方法(MOF),匹配追踪(MP)和基追踪(BP)作为压缩算法对振动信号进行分析。同时,将压缩比(CR),均方差(MSE),能量保留百分比(ER)和频谱相似度(COR)作为衡量指标来比较以上压缩算法压缩性能。结果表明匹配追踪(MP)稀疏表达优于其它两种方法,能够用来压缩振动信号,而不会丢失过多信息。     

基于学习字典的图像修复算法

多数图像修复方法主要是利用输入图像中的有效信息来填充待修复区域,可用先验信息有限,自适应性较差.研究提出一种新的基于学习字典的图像修复框架,核心思路是通过大量样本图像和输入图像的有效数据训练学习字典,建立样本图像特征块与原始数据块之间的稀疏关联,并将这种关联作为先验知识来指导图像的修复.该方法既充分利用了样例图像的先验知识,又考虑了待修复图像本身的信息,提高了算法的自适应性.通过对自然图像进行大、小范围图像修复和文字去除实验,文中方法均取得较好的修复效果.     

集成相空间重构与稀疏自编码的振动信号分解方法

稀疏自编码算法通过对输入信号的编码与解码过程使得输出信号能够最大程度的保留输入数据信息,具备强大的数据处理功能,然而,SAE的输出数据具有什么特性、噪声成分在转化过程中发生怎样的变化并没有详细研究,针对该问题,以时域振动信号作为输入,理论推导噪声在编码与解码过程中的变化,分析输出信号的具体成分,得出信号在转化过程中能够有效的滤除噪声成分,并分离出信号的主要成分。仿真振动数据及齿轮箱故障诊断实验证明,稀疏自编码算法能够有效的提高振动信号的信噪比和提取故障的频率成分。     

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。     

基于半监督最大间隔字典学习的故障诊断方法

针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。     

旋转机械故障诊断中的振动信号自适应分形压缩算法

首先介绍了迭代函数系统编码的理论基础;然后计算迭代函数系统编码的各个参数,依据迭代函数系统编码的理论基础和旋转机械振动信号的分形特性提出了振动信号自适应分形压缩编码及解码的算法,自适应分形算法的特点是分段长度根据振动信号的特点由误差门限值自动确定;最后通过对实例应用的分析,计算振动信号的压缩比以及压缩重构后的信噪比和均方根误差,表明该算法是可行的。     

基于改进平移不变量小波阈值法的齿轮泵振动信号降噪

齿轮泵的振动信号中含有大量噪声,在对其进行应用之前必须降噪处理。传统的小波阈值降噪法在信号的奇异点附近会产生振荡现象,为此研究了一种新的小波阈值函数,把新的阈值函数和平移不变量相结合,提出了改进小波阈值法的平移不变量降噪方法。该方法克服了软、硬阈值的缺陷,同时抑制阈值法降噪时产生的伪吉布斯(Pseudo-Gibbs)现象。利用该方法对仿真信号和实测齿轮泵振动信号进行降噪处理,并与小波软、硬阈值法及新阈值法进行了对比。结果表明:该方法具有更好的降噪效果,可应用于齿轮泵振动信号降噪处理。     

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中,存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题,提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先,对机械振动信号进行多尺度小波包变换,再将小波包系数按一定阈值进行置零处理并求取其稀疏度;然后,采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率,并对信号的稀疏度和采样率采用最小二乘法进行拟合,消除信号测量误差,求取最佳信号采样率;最后,采用K-奇异值分解算法构造与各信号块相适应的过完备字典,并利用正交匹配追踪算法实现信号重构。实验证明,与传统压缩算法相比较,该算法的信号压缩率和重构精度均得到较大提高。     

Ultrasonic Nondestructive Signals Processing Based on Matching Pursuit with Gabor Dictionary

The success of ultrasonic nondestructive testing technology depends not only on the generation and measurement of the desired waveform, but also on the signal processing of the measured waves. The traditional time-domain methods have been partly successful in identifying small cracks, but not so successful in estimating crack size, especially in strong backscattering noise. Sparse signal representation can provide sparse information that represents the signal time-frequency signature, which can also be used in processing ultrasonic nondestructive signals. A novel ultrasonic nondestructive signal processing algorithm based on signal sparse representation is proposed. In order to suppress noise, matching pursuit algorithm with Gabor dictionary is selected as the signal decomposition method. Precise echoes information, such as crack location and size, can be estimated by quantitative analysis with Gabor atom. To verify the performance, the proposed algorithm is applied to computer simulation signal and experimental ultrasonic signals which represent multiple backscattered echoes from a thin metal plate with artificial holes. The results show that this algorithm not only has an excellent performance even when dealing with signals in the presence of strong noise, but also is successful in estimating crack location and size. Moreover, the algorithm can be applied to data compression of ultrasonic nondestructive signal.     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于自寻最优控制方法实现结构振动主动控制

从振动主动控制设计思想出发,基于自寻最优控制的基本原理,对采用这一控制方法实现结构振动响应主动控制进行了研究。在此基础上,开发了以计算机及高速数据采集板为核心的数据采集、处理和自适应控制系统,对一压电机敏刚架结构进行了振动主动控制实验,取得了良好的抵消振动效果。