基于奇异值和奇异向量的振动信号降噪方法

针对复杂的转子振动信号中同时存在随机噪声干扰和工频噪声干扰的问题,提出了基于奇异值和奇异向量相结合的降噪方法。首先,对振动信号进行奇异值分解(singular value decomposition,简称SVD),根据奇异值谱确定振动信号有效奇异值阶次;其次,对有效阶次范围内的奇异向量进行快速傅里叶变换(fast Fourier transform,简称FFT),依据幅值谱筛选出对应于工频噪声的奇异向量;最后,利用其余的奇异值和奇异向量进行重构得到降噪的时域信号。通过仿真信号和工程试验信号对该方法进行了验证,结果表明,基于奇异值和奇异向量相结合的降噪方法,不但能有效降低振动信号中的随机噪声干扰,还能有效降低工频噪声干扰,同常用的陷波器方法相比所提出方法具有明显优势。     

基于奇异值分解的侵彻过载信号降噪方法

为解决硬目标侵彻过载信号的降噪问题,提出侵彻加速度信号的奇异值分解技术。首先,通过主体奇异值分量稳定原则确定信号的重构子矩阵;然后,利用前K次奇异值能量占优法则提取奇异值的有效阶次,在此基础上对实测信号进行奇异值分解;最后,利用分解出的有效奇异值完成信号的重构。实验证明,经此方法处理的侵彻过载信号可以有效剔除隐含在弹体加速度信号中的振动和噪声,重构后的加速度曲线具有比小波降噪效果更好的信噪比,积分得到的位移曲线能较好反映实际侵彻深度,是侵彻过载信号处理的一种新的可行方法。     

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。     

基于奇异值分解的频响函数降噪方法

为了提高外场测试中频响函数的信噪比,提出了一种基于奇异值分解的频响函数降噪方法。该方法首先对脉冲响应函数在相空间内进行重构;然后对重构轨道矩阵进行奇异值分解达到降噪的目的。其中,降噪阶次通过奇异熵增量进行确定。采用GARTEUR飞机模型建立具有密集模态的仿真算例进行验证。结果表明,在噪声干扰较大时,该降噪方法能够显著改善模态参数的识别精度,尤其是阻尼的识别精度。     

局部奇异值分解降噪的研究

利用测试信号构造连续截断矩阵进行奇异值分解(SVD)是消除随机噪声干扰的有效方法,针对时域信号较长在分解中无法自适应确定分离阶数的问题,提出一种分段串联奇异值分解降噪方法。该方法先将信号连续截断成分段信号,然后分别进行奇异值分解的降噪,再通过拼接得到降噪后的信号。仿真及实验结果表明,该方法有效。利用该方法处理混凝土泵车的振动噪声测试信号,可有效提高其信噪比,最大程度地优化信号去噪的效果,提高分析的可靠性。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

奇异值能量标准谱在机械振动信号降噪中的应用研究

针对机械设备振动信号的宽频带、非线性和非平稳特性,提出了一种基于奇异值能量标准谱的自适应降噪方法。首先利用平均最近邻域发散度判定法计算嵌入维数并对信号进行相空间重构,然后对相空间重构矩阵进行奇异值分解,最后提出奇异值能量标准谱概念,根据能量标准谱拐点位置自适应地确定奇异值的重构阶数以重构有用分量,从而实现信号降噪。数值仿真和柴油机缸盖振动信号分析结果表明,本方法能够有效消除信号中的噪声并保留原信号的特征,提高信噪比。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断

针对含噪信号的有效奇异值个数难以确定的问题，提出了一种改进的奇异值分解降噪方法--奇异值累积法。该方法通过计算奇异值的实际下降值与奇异值平均下降速度累积量的差值，并取该差值最大值点的位置作为有效奇异值的分界点来确定有效奇异值的个数。在此基础上，提出了一种基于奇异值累积法与快速谱峭度的滚动轴承故障诊断方法。采用奇异值累积法对原信号进行降噪处理，然后利用快速谱峭度确定滤波器中心频率及带宽，通过分析频段包络谱中明显的频率成分来诊断故障。该方法可以有效去除信号中的噪声，使得到的峭度值所反映的故障冲击更接近实际情况。对含内圈、外圈故障的滚动轴承实验数据进行分析，实验结果表明，相比快速谱峭度的故障诊断方法，该方法具有更好的故障识别效果。     

基于VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于DT-CWT和奇异能量差分谱的滚动轴承故障诊断研究

滚动轴承故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了将双树复小波和奇异值能量差分谱相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量求取奇异值能量差分谱,确定有效阶次进行信号重构降噪。最后对降噪信号求Hibert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。     

万向轴动不平衡检测的二代小波变换奇异值方法

针对第二代小波变换依然存在频率混叠的更本缺陷,提出一种高速列车万向轴动不平衡车载检测的新方法。该方法的核心是对万向节安装机座的振动加速度信号进行第二代小波变换得到不同尺度的分解信号,应用单尺度信号构造Hankel矩阵,对该矩阵进行奇异值正交化分解,以奇异值关键叠层作为奇异值的选择准则对信号进行重构,应用重构信号的傅里叶谱来检测高速列车万向轴的动不平衡,消除第二代小波变换频率混叠对故障淹没缺陷,凸显故障特征。应用万向轴动不平衡试验数据对该方法进行试验验证,结果表明,该方法能够有效检测万向轴动不平衡引起的基频、倍频和分频的故障特征,与传统小波、纯第二代小波变换相比,该方法在谱的清晰度和故障表征力上得到了显著提高。     

奇异值分解对连续Morlet小波变换的压缩和提纯

研究连续Morlet小波变换矩阵行矢量的线性相关性,这种相关性使得连续Morlet小波变换的结果存在很大的冗余,利用奇异值分解(Singular value decomposition,SVD)来压缩这种冗余性。理论分析表明,SVD技术可以将连续Morlet小波变换矩阵的信息完全压缩到少数的非零奇异值及其对应的正交奇异矢量中,分析压缩前后数据量的比例,证实矩阵维数越大,压缩效果越好。研究确定性信号和噪声的连续Morlet小波变换结果的奇异值的分布特点,发现确定性信号的有效奇异值数量由信号中的频率数量决定,有效奇异值之后的奇异值会很快地下降到零,而噪声的奇异值序列的变化比较均匀,下降速度比较缓慢。利用确定性信号和噪声奇异值的这种差异,可以实现对含噪信号的连续Morlet小波变换结果的提纯,只要选择前面合适的奇异值进行SVD重构,大部分噪声奇异值的信息会被抛弃,因而可在很大程度上消除噪声对连续Morlet小波变换结果的影响。     

MBCV-EWT和奇异值差分谱的滚动轴承信号降噪方法

针对滚动轴承振动信号降噪时,克服模式混叠、保证各频率成分完整性和独立性问题,提出最大类间方差-经验小波变换分解(maximum between-cluster variance-empirical wavelet transform,简称MBCV-EWT)与奇异值差分谱相结合的信号降噪方法。首先,针对传统区间划分的不确定性问题,提出MBCV-EWT信号分解方法,通过最大类间方差对信号频谱自适应划分,并在每个划分区间上构建带通滤波器;其次,针对分解分量冗余,提出脉冲指标作为调幅-调频分量筛选准则,选取最优的分量用于降噪;最后,对最优调幅-调频分量进行奇异值分解,根据其差分谱重构分量并实现降噪。仿真及实验结果表明,该方法能够实现频谱自适应划分,有效克服模式混叠等问题,保证分解得到的各成分主频独立且完整,调幅-调频分量筛选准确,降噪效果明显,为故障识别和预测奠定研究基础。     

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。     

基于奇异值分解的ERA改进算法及模态定阶

研究了一种基于奇异值分解的ERA改进算法和模态定阶方法。在奇异值分解基础上,根据选定阶次在动态系统中所占比重,提出一种模态定阶指标——奇异值百分比,将该指标应用在改进后的特征系统算法中。首先,利用脉冲响应信号构造初始Hankel矩阵,对此矩阵进行奇异值分解生成去噪后的信号矩阵;其次,根据Cadzow算法重构Hankel矩阵;最后,利用奇异值指标确定模态阶次。通过仿真算例验证了改进后的特征系统实现算法具有良好的抗噪能力,利用定阶指标能有效确定模态阶次、剔除虚假模态,对于阻尼识别精度更高。应用该方法对某三厢车排气系统进行了模态参数识别,通过与LMS系统识别结果比较验证了方法的准确性。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

奇异值差分谱理论及其在车床主轴箱故障诊断中的应用

证明采用Hankel矩阵时奇异值分解(Singular value decomposition,SVD)可以将信号分解为一系列分量信号的简单线性叠加,为了确定其中的有用分量个数,提出奇异值差分谱的概念。差分谱可以有效地描述有用分量和噪声分量的奇异值性质差异,根据差分谱峰值位置可实现对有用分量个数的确定。研究结果表明,当差分谱最大峰值位于第一个坐标时,则表明原始信号存在较大的直流分量,此时根据第二最大峰值位置可以确定有用分量的个数,否则就根据最大峰值位置来确定分量个数。利用差分谱进一步研究Hankel矩阵的结构对SVD降噪效果的影响,指出矩阵列数和噪声去除量存在抛物线状的对称关系。利用基于差分谱的SVD方法对车削力信号进行处理,结果有效地分离出由于主轴箱故障齿轮的振动而引起的调制信号,并根据此信号可靠地定位了故障齿轮。     

基于奇异值分解降噪与排序熵的涡旋压缩机故障特征提取方法

针对涡旋压缩机故障信号非平稳且非线性的特点,提出一种基于奇异值分解降噪与排序熵的涡旋压缩机故障特征提取方法。这一方法首先对原始信号进行奇异值分解,根据奇异值差分谱确定降噪阶次,并进行信号重构,得到降噪信号;然后提取降噪信号的排序熵特征值,基于此建立涡旋压缩机典型故障的排序熵特征模型。试验结果表明,通过这一方法得到的涡旋压缩机故障特征鲜明清晰,为其状态监测与故障诊断提供了依据。