FSWT-SVD模型在岩体微震信号特征提取中的应用

针对岩体破裂信号与爆破振动信号难以识别的问题,采用傅里叶变换(FT)得到其频谱分布,并确定划分为6个频带提取信号特征。借助频率切片小波变换(FSWT)将信号按上述频带切片并重构,再利用奇异值分解(SVD)得到上述频带重构信号所组成矩阵的奇异值σi(i=1,2,…,6),实现岩体微震信号的特征提取。进而对用沙坝矿120个岩体破裂和120个爆破振动信号展开FSWT-SVD分析,最后利用BP神经网络对奇异值矩阵进行分类训练和预测。结果表明:(1)岩体破裂信号与爆破振动信号的奇异值σ1相差最大,σ2、σ4、σ5和σ6相差较大,而σ3差异不明显,且当σ1=8作为单一奇异值法识别分界值时效果最优,准确率达到了86.67%;(2)BP神经网络法分类识别结果较LR法、Bayes法和Fisher法优,SVD提取特征识别效果较能量比和相关系数优,FSWT重构矩阵提取的特征信息优于DWT重构矩阵提取的特征信息,且基于FSWT-SVD的BP法分类识别准确率达到了91%。综上知,基于FSWT-SVD的BP神经网络模型为岩体破裂与爆破信号特征提取和模式识别提供了一种新方法。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取EI北大核心CSCD

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

改进EEMD方法及混沌降噪应用研究EI北大核心CSCD

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于"3σ"法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

基于多层混合滤噪的轴承早期弱故障特征提取方法EI北大核心CSCD

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

非平稳信号特征提取在航空发动机故障诊断中的应用

在航空发动机早期故障诊断中,特征提取是早期诊断的重要过程之一.文中以航空发动机转子故障为研究对象,给出了基于经验模式分解、小波分析为核心的故障特征提取方法,并作了针对性的比较研究.在matlab7.0环境下开发了一个故障特征提取软件系统.研究结果表明:基于经验模式分解的时频分析方法可以很有效地提取到非平稳故障特征信号,是一种适合于非线性信号处理的方法.     

奇异值分解结合频率切片小波的齿轮故障特征提取

频率切片小波变换是一种有力的时频分析方法,但在强背景噪声条件下其故障特征识别能力不足,故提出奇异值分解结合频率切片小波的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理,继而利用频率切片小波对降噪信号进行全频分析,确定信号分量分布区间之后,对能量集中的信号进行频率切片细化分析,用时频图及重构信号提取齿轮故障特征。通过仿真及实测齿轮的点蚀信号分析,表明该方法能够实现齿轮运行状态的准确判别,有一定的工程实际意义。     

基于VMD和中心频率的舰船辐射噪声特征提取方法研究EI北大核心CSCD

为了有效提取舰船辐射噪声的频率特征,提出一种基于变分模态分解(VMD)和中心频率的舰船辐射噪声特征提取方法。采用VMD方法将三类舰船辐射噪声分解为一组有限带宽固有模态函数(IMF),计算各阶IMF强度,选取能量较大的IMF作为研究对象,以最强IMF中心频率及能量较大的多个IMF中心频率作为特征参数对三类舰船辐射噪声进行特征提取;针对舰船辐射噪声频率特征提取难且不精准确的问题,采用VMD方法可以准确提取IMF中心频率,实现舰船辐射噪声的特征提取。通过数字仿真和实际舰船辐射噪声信号实验分析,并与基于集合经验模态分解(EEMD)的中心频率及高低频能量差方法进行比较,结果表明该方法可以有效提取舰船辐射噪声中心频率,并实现不同类别舰船的分类识别。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

基于时频奇异谱的柴油机缸盖振动信号特征提取研究

针对柴油机故障特征提取问题,提出了一种基于连续小波变换时频分布奇异谱的缸盖振动信号特征提取方法。复Morlet小波变换的时频分布矩阵能从时频两域表征缸盖振动信号的局部特征和能量分布,结合奇异值分解理论将时频分布矩阵分解成能够简捷反映时频分布基本特征的奇异值序列,并运用类内类间可分离性判据对奇异值特征子集进行优选和分析,解决时频分布信息的降维和有效特征参数的提取,试验分析验证了该方法提取的特征具有较好的抗噪声干扰能力和可区分度。     

基于EEMD的改进小波阈值算法在超声水表中的应用EI北大核心CSCD

针对超声水表在实际工作环境中容易受到噪声干扰从而导致计量精度下降的问题,提出了基于集合经验模态分解(EEMD)的改进小波阈值降噪算法。为了提高降噪效果,对小波阈值降噪算法进行了改进,构造了非线性阈值函数取代传统阈值函数,同时给出了一种分解尺度选择的方法。利用EEMD将流速信号分解为一系列的本征模态函数,通过改进小波阈值降噪算法对本征模态函数进行降噪处理,去除其中的噪声分量,为了验证该算法的适用性,将其与小波阈值降噪算法和时空滤波分析方法进行了比较。试验结果表明,以超声水表流速信号为降噪对象时,基于EEMD的改进小波阈值降噪算法具有较好的降噪效果。     

基于VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

自适应UPEMD-MCKD轴承故障特征提取方法EI北大核心CSCD

为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应UPEMD-MCKD轴承故障特征提取方法。该方法将样本熵和峭度指标相结合构建最小熵峭比,采用遗传算法对最小熵峭比的最小值进行搜索,以确定移位数、滤波器长度和周期的最佳参数组合。经均相模态分解方法预处理的含噪信号通过相关性计算选取有效分量进行信号重构,重构信号借助最佳参数组合下的MCKD算法提取故障特征。内圈故障和外圈故障的实例分析表明,所提方法借助UPEMD的噪声抑制能力和最小熵峭比的参数组合寻优评价能力,能够从故障信号中有效的提取出微弱的故障特征。     

基于CEEMDAN与SVD的泄流结构振动信号降噪方法EI北大核心CSCD

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。     

改进SVD算法的转子系统轴心轨迹快速提纯研究EI北大核心CSCD

为实现转子系统轴心轨迹的快速提纯,提出一种改进的奇异值分解(improved singular value decomposition,ISVD)算法。首先,构建一种奇异值差异比(singular value difference ratio,SVDR)的评判指标来确定矩阵行数,对Hankel矩阵的结构进行优化;其次,利用奇异值与频率的数量关系筛选有效分量,对有效分量进行重构得到特征信号;然后,将降噪提纯后的特征信号合成轴心轨迹,实现轴心轨迹的提纯;最后,利用仿真和实测信号对所提方法进行分析。试验结果表明,与最大维数法相比,在SVDR确定的矩阵结构下,奇异值分解的降噪性能保持不变,但分解的时间缩短了90.18%,提高了计算效率。     

基于奇异值分解的信号特征提取方法研究

奇异值反映了信号中有用信号和噪声的能量分布情况,通过奇异值分解可以将隐含在噪声中的特征信号提取出来。本文提出了在强背景噪声中基于奇异值分解的特征提取方法。研究发现,随着信号信噪比的降低,奇异值的分布趋于直线,特征信号难以分离和提取。通过增加奇异值分解阶次,可以使反映噪声能量的奇异值的分布范围扩大,使得噪声的能量相对分散,凸显出了反映有用信号能量的奇异值,从而有利于特征信号的提取。仿真试验和故障分析实例都验证了该方法的可行性。     

频率切片小波变换在爆破振动信号时频特征精确提取中应用

基于频率切片小波变换(Frequency Slice Wavelet Transform, FSWT)技术研究爆破振动信号时频特征提取新方法。采用FSWT进行爆破振动信号分解,得到在全频带下的时频分布。在此基础上据其时频能量分布,选择时间、频率切片区间进行细化特征分析,通过信号特征频率切片区间信号重构,实现爆破振动时频特征分离及提取。通过与传统的STFT、WPT、WVD等算法进行对比分析表明,FSWT算法具有良好的时频聚集性、任意频带分量特征提取的灵活性及准确性。将FSWT算法引入爆破振动效应分析领域,可为爆破振动信号时频特征精确提取奠定基础,具应用前景较好。     

基于多尺度信号调节自编码器的永磁电机故障诊断研究EI北大核心CSCD

永磁电机在工业自动化及新能源汽车等领域具有重要的应用,电机故障诊断对于保障运动控制精度和避免停机损失具有十分重要的意义。现代信号处理方法和人工智能技术被广泛应用于电机故障诊断,然而在强噪声干扰情况下如何精确识别电机故障类型仍是一个挑战。该研究设计一种新的多尺度信号调节自编码器,首先采集电机的振动信号并通过小波变换分解得到信号的多尺度特征,研究各个尺度特征对自编码器分类精度的影响,随后根据多尺度特征对应的精度进行原信号的调节和重构,再将调节信号输入自编码器中,最终提升电机故障类型识别的精度。试验结果表明,该方法相比于传统方法,在强背景噪声干扰情况下能够有效识别电机的8种健康或故障状态,并且具有良好的抗噪性和稳定性。     

基于CEEMDAN-IAWT方法的滚动轴承振动信号降噪EI北大核心CSCD

针对滚动轴承振动信号中混入噪声的问题,设计一种自适应白噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)结合改进自适应小波阈值(improved adaptive wavelet threshold,IAWT)的联合降噪法。使用CEEMDAN对信号进行模态分解得到本征模态函数(intrinsic mode functions,IMFs);将得到的IMFs与原信号进行相关性分析识别有效分量;针对小波阈值(wavelet threshold,WT)降噪算法不能自适应选取小波基和分解层数以及阈值函数存在缺陷的问题,设计了IAWT算法,利用IAWT算法过滤IMFs中的噪声;将处理后的IMFs进行信号重构。利用设计的联合降噪算法对仿真信号和试验台信号处理可知,相比于WT,使用IAWT处理后的信号信噪比提高了约0.5 dB,与原信号的相关系数提高了约0.03,均方根误差降低了约0.01;将设计的方法与CEEMDAN-WT等方法对比可知,经处理后的信号信噪比至少提高了1.37 dB,且信号特征保存完好。     

基于振动信号的柴油发动机转速测量EI北大核心CSCD

利用振动信号测量发动机转速是一种不解体检测的重要方法,但其对发动机振动频率要求较高,因此转速急剧变化时,对测量精度影响较大。提出了基于希尔波特包络和自相关的新方法;利用小波变换消除基线漂移,再通过短时时间窗进行类稳态分析,并采用希尔伯特包络和三次自相关对信号进行时域分析,计算短时窗内的发动机转速,通过移窗法得到连续的发动机转速。通过在发动机台上进行变工况试验,同步采集振动信号和转速传感器信号进行对比分析,在急加速条件下转速测量最大误差小于1.4%,能够有效的满足柴油发动机转速的实时性和精确性要求,在车辆不解体检测和无负荷测功方面有很大应用前景。     

改进小波阈值函数和ACEWT方法的滚动轴承故障声发射信号特征提取EI北大核心CSCD

针对滚动轴承早期故障声发射信号受复杂传递路径和噪声的干扰,声发射信号信噪比较低,导致轴承故障特征难以提取的问题,提出了改进小波阈值函数-ACEWT的轴承故障特征提取方法。由于声发射信号呈冲击性与快速衰减的特点,构建一种衰减正弦型与指数型的小波阈值函数对低信噪比的声发射信号进行降噪。研究自相关运算与经验小波变换结合的方法(autocorrelation and empirical wavelet transform,ACEWT),用于滚动轴承故障声发射信号特征提取,解决了在低信噪比下经验小波变换对轴承故障特征提取的不足;引入经验小波能量比-熵指标,选取最优经验小波系数。通过与经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法进行对比研究,并试验验证。仿真和试验结果表明,所提方法明显优于经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法,可准确提取轴承故障声发射信号的频率特征。