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...     

基于奇异值分解的磁记忆信号特征提取方法

针对金属磁记忆信号容易受到环境噪声影响,使得缺陷信号可检测性降低的情况,首先,利用传统的奇异值分解方法对场桥主梁磁记忆信号进行分解和重构,发现尽管可以取得较为理想的降噪效果,但如何自适应确定重构时的奇异值个数仍存在困难;然后,将磁记忆信号按照二进递推方法构造矩阵,重复进行奇异值分解可以获得具有不同分辨率的近似信号和细节信号,从而形成多分辨奇异值分解,其中细节信号对应磁记忆中的噪声成分,近似信号为去除噪声之后的有效磁记忆信号,从而实现了磁记忆信号的降噪。将该方法用于某场桥主梁磁记忆信号的处理,有效地提高了重构信号的信噪比,准确地判断出了该主梁的应力集中区域,为评估其应力状态和早期故障诊断奠定了基础。     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。     

基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法

针对传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示过程中,由于目标信号稀疏度难以确定以及字典原子受噪声干扰大导致稀疏表示效果较差的问题,结合变分模态分解(Variational mode decomposition, VMD)算法,提出了基于VMD与终止准则改进K-SVD字典学习的稀疏表示方法。借助VMD算法剔除信号中的干扰分量,依据相关分析与峭度准则选择最优模态分量;采用终止准则改进的K-SVD字典学习算法对最优分量的特征信息进行学习,优化目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典;此外,构建一种残差阈值改进的正交匹配追踪算法(OMPerr)实现稀疏重构及微弱故障特征增强。通过仿真及试验信号进行验证,结果表明:基于VMD与改进K-SVD字典学习的稀疏表示方法在字典原子构建、稀疏重构精度以及故障特征增强等方面均优于传统K-SVD稀疏表示方法,可以有效实现微弱故障的诊断。     

基于SVD算法的红外热波无损检测方法研究

针对采用红外热波无损检测技术对材料缺陷进行特征提取的技术空白,提出了一种新的基于奇异值分解(SVD)的红外序列图像特征提取方法。研究表明对重构的缺陷相空间矩阵进行奇异值分解,其空间与时间基向量包含了缺陷静态空间与动态热量变化的特征信息。在缺陷代数特征的基础上,提取具有时空信息的特征值构造缺陷特征向量。实验分析表明,通过对热障涂层缺陷进行特征提取,在运用RBF神经网络进行缺陷的分类验证中取得了较好的效果。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于SVD-高斯小波的振动信号非平稳特征提取方法

分析了高斯小波及其滤波特性,结合小波变换技术和奇异值分解技术,提出了基于奇异值分解和高斯小波的滤波消噪方法,解决了传统小波去噪方法的不足。该方法可以很好的降低噪声信号,有效提取信号中周期成分,具有较好的瞬态信息提取能力,并通过齿轮箱振动信号降噪实验说明该方法在故障特征提取中的重要性,以及本降噪方法的有效性。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

基于分类区分度和相关性的手形特征选择方法

针对手形特征识别中,由于特征间高相关性产生冗余而降低识别性能的问题,提出利用信息增益和相关系数分别对特征的分类区分度和相关性进行评价,并经过综合分析对手形特征进行优化选择。该方法能够保留分类中起关键作用的特征,并同时去除高相关性的冗余特征量。为了证明该方法的有效性和准确性,采用浮动搜索的方法,以识别率为评价函数确定特征优化组合。实验结果表明,优化后6个特征组成向量的识别率达到96.24%,比全部9个特征组成的特征向量提高了0.43%,同时由于特征数目的减少也降低了运算时间。该方法可以避免常用的搜索性选择方法的复杂性,并有效去除手形识别中低区分度和高冗余的特征,有利于简化算法并与其他特征进行融合使用。     

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。     

基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增 强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为 一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比 信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提 取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟 试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表 明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。     

基于色度饱和度-角度梯度直方图特征的尺度自适应核相关滤波跟踪

针对核相关跟踪算法(KCF)对特征敏感及无法跟踪尺度的问题,本文从特征提取和尺度自适应两个方面对核相关滤波跟踪算法进行了研究。提出了一种基于色度饱和度-角度梯度直方图特征的自适应核相关跟踪算法来改善KCF算法的跟踪性能。首先,研究了HSI颜色空间的特点,基于颜色和梯度是互补的图像特征,提出了一种融合了梯度和颜色的HHS-OG特征来有效提高原始KCF算法对目标和背景的判别力。其次,针对KCF无法处理目标尺度变化的问题,在跟踪的检测阶段采用一组固定的尺度因子进行图像块采样,根据得到的滤波响应图估计目标的最优位置和尺度。将所提算法在大量视频序列上进行了跟踪实验,结果显示其平均跟踪速度为37.5frame/s,跟踪精度和成功率分别提升了5.4%和10.1%。实验表明HHS-OG特征具有良好的目标-背景判别能力,能够实现鲁棒跟踪,而尺度自适应策略能较大程度地提高跟踪精度。     

一种基于粒子滤波的联合跟踪与分类算法

针对纯运动学信息联合跟踪与分类问题,提出了一种基于混合无味粒子滤波的联合跟踪与分类算法。在传统粒子滤波联合跟踪与分类算法的基础上,通过采用无味变换,利用多个无味卡尔曼滤波器给出更高质量的粒子建议分布,提高整个算法的性能。理论分析和仿真结果都表明,与传统粒子滤波联合跟踪与分类算法相比,该算法无论在跟踪精度还是在分类正确率上都有明显的提高。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

侵彻过载信号的欠定盲源分离与特征提取

侵彻过载信号成份复杂,传统盲源分离方法无法有效提取弹体侵彻板靶特征,基于此提出一种不受测试传感器数量限制、具有源数估计的侵彻过载信号盲源分离方法。首先,对单通道测试信号进行总体经验模态分解,将分解后的固有模态与原信号组成多维信号;其次,对组成的多维信号奇异值分解,以"前K次奇异值占优"法则估计信号振源个数,利用"最大互相关系数法"筛选最优IMF函数与原信号重组构造多通道混合信号;最后,对多通道混合信号白化处理和联合近似对角化,计算酉矩阵获得测试信号的混合估计。将其用于单通道侵彻过载信号的特征提取,获得了与源信号相关度为0.974 7的加速度特征信号。与现有方法相比,该方法能有效分离出单通道侵彻过载特征信号,并且信号处理过程具有的自适应特性也解决了不同弹靶工况下过载信号滤波频率的选择困难问题。     

基于基因优化的脑电信号特征选择

针对脑机接口( BCI)研究中脑电信号的特征选择问题,提出了一种基因优化算法(GO).GO算法在变异的基础上实现自下而上、由微观到宏观的自组织优化,可以在提高分类精度的同时很大程度上节省在线数据处理的时间.为检验提出方法的有效性,将其与基于AGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明基于GO的分类精度明显高于其他方法,获得了最好的模式识别性能.