稀疏分解在动态测试信号处理中的应用

针对动态测试过程采样率高,噪声大的情况,提出一种基于Gabor原子库稀疏分解的去噪压缩方法.该方法利用匹配追踪算法将信号在超完备Gabor原子库中迭代分解,并采用相干比阈值作为迭代终止条件,可以根据信号噪声水平自适应调整迭代次数.针对匹配追踪算法计算量大的缺点,引入一种自适应遗传算法加以改进,提高了计算效率.试验结果证明了该算法可以有效去除高频噪声,并且实现信号大幅压缩.     

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。     

一种改进的转子振动信号消噪方法研究

为提高转子振动信号消噪方法的性能,通过分析噪声成分和对应消噪方法的特点,提出了一种基于改进中值滤波与小波包消噪技术相结合的信号降噪新方法.该方法首先根据信号采样频率计算中值滤波器的窗口宽度,从而可以有效滤除含噪信号中的脉冲噪声和部分白噪声;然后再用阈值及其处理函数都经过改进的自适应小波包消噪方法去除残留在信号中的白噪声,最终得到信噪比提高的振动信号.通过仿真信号和转子实验振动信号的降噪处理,对新方法的性能进行了验证.降噪结果表明,该方法在有效消除混合复杂噪声对振动信号干扰的同时,保留了故障信号的细节特征,比一般的小波域中值滤波降噪方法更为有效.     

基于字典学习和稀疏编码的振动信号去噪技术

针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。     

基于共振稀疏分解的滚动轴承早期微弱故障诊断

传统方法很难对滚动轴承的早期微弱故障进行有效诊断.共振稀疏分解是一种基于多字典库的稀疏分解方法,可以同时分解出滚动轴承故障信号中的瞬态冲击成分及其持续震荡成分(工频及其谐频成分).该方法在对滚动轴承早期微弱故障信号进行自适应滤波降噪(采用Ensemble Empirical Mode Decomposition,EEMD方法)基础上,对处理后的信号进行共振稀疏分解分析,分别构建高、低品质因子小波基函数字典库,并利用形态学分析方法建立信号稀疏表示的目标函数,进而实现对滚动轴承发生故障时具有低品质因子的瞬态故障成分及其他持续振荡高品质因子噪声成分的成功分离.对分离得到的低品质因子信号成分进行包络解调分析,进而得到较好的故障提取特征结果.通过实验验证了所述方法的有效性.     

基于改进多路径匹配追踪的芯片超声信号去噪方法

针对高频超声检测倒装焊芯片微缺陷的回波信号受噪声影响的问题,提出了一种基于改进多路径匹配追踪算法(MMP)的高频超声信号稀疏去噪方法。利用MMP算法获取全局最优的原子,针对MMP计算量过大的问题,在迭代过程中设置阈值和引入剪枝操作,筛选误差较大的路径,减少迭代路径,降低算法复杂度。为了避免字典维度上升导致的计算量过大,通过构建连续原子库对重构信号参数进行调整,最终实现芯片超声检测信号噪声的抑制。通过仿真和实验证明,提出的方法能够有效的去除倒装芯片高频超声检测信号中的噪音,与其他去噪算法相比,所提方法通过增加少量的计算,实现信号重构精度的提高,提升了B扫图的清晰度。     

基于训练局部字典的倒装芯片高频超声检测信号稀疏去噪方法

针对高频超声检测倒装芯片缺陷的精度易受噪声影响以及高频超声信号维度高的问题,提出一种基于K-奇异值分解(K-Singular value decomposition, K-SVD)训练局部字典的高频超声信号稀疏去噪方法。采用K-SVD训练字典来减小信号与字典中原子之间的误差,并针对K-SVD不能训练高维度字典的问题,将高频超声信号分段,在低维度字典上对局部信号进行稀疏分解,从而降低训练字典和稀疏分解的计算复杂度;利用信号的全局最大后验概率(Maximum a posteriori probability, MAP)估计重构信号,消除因局部处理带来的信号跳变,实现高频超声信号的去噪。仿真和试验结果证明,提出的方法能够有效的去除高频超声信号中的噪声,与在全局字典上进行高频超声信号的稀疏分解相比,采用局部训练字典对信号进行稀疏分解在保证去噪性能的同时降低了计算复杂度。     

一种基于稀疏表示的图像去噪算法

利用稀疏表示的自适应特征,将稀疏表示的多分辨理论应用于图像的去噪处理中,提出了一种基于稀疏表示的图像分块去噪方法。首先将噪声图像分割成一定尺寸的图像块,选出同质块与非同质块;然后利用小波去噪方法处理同质块,而采用脊波去噪方法处理非同质块,从而得到去噪后的图像;最后采用维纳滤波器对去噪后的图像进一步处理。实验结果表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,较好地去除图像噪声,并且很好地保存图像的边缘纹理信息。     

角加速度信号自适应小波的去噪方法

针对多扰动、大负载环境下角加速度计输出信号中含有脉冲噪声和高斯白噪声的情况,提出一种改进的离散小波阈值法与中值滤波算法相结合的角加速度计信号自适应去噪算法。首先,使用中值滤波对原始信号进行去除脉冲噪声的预处理;其次,使用分解层数的自适应确定方法与改进的阈值选取准则,通过离散小波阈值去噪法去除高斯白噪声。仿真结果表明,该算法能够有效地提高信噪比,降低最小均方误差。实验结果表明,该算法既能去除分子型液环式角加速度计信号中噪声,又能很好地保留真实信号中的高动态部分。     

一种自适应小波消噪方法

为了消除噪声对被测信号的干扰,有效提取信号中的有用成分,根据信号和噪声小波变换系数的不同特性,在分析了传统阈值方法局限性的基础上,提出了一种自适应小波消噪方法.该方法首先对被测信号进行小波分解,并改进了阈值量化公式,使其具有能量分布自适应的降噪能力;然后,利用类别方差作为判别依据,选取使得类别方差最大和类内方差最小的阈值作为最佳的阈值.并根据每层分解后的小波系数进行自适应的阈值确定;最后,对信号进行重构,通过分解、阈值处理和重构等过程实现小波消噪.仿真信号和轴承故障诊断的实例结果表明该方法可在强噪声背景下消除噪声干扰,有效提取出滚动轴承的早期故障频率.     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

基于模态分量优化重构和稀疏表达的 静电信号联合降噪方法

航空发动机静电监测技术表现出了较高的故障预警能力,但原始静电信号常包含较多噪声,为提高故障信息提取的准确性,必须对静电信号进行降噪处理。本研究首先介绍了静电监测技术的原理,分析了信号的噪声的来源和主要构成;针对静电信号耦合噪声滤除问题,引入了信号稀疏表达和经验模态分解理论,研究了模态分量的筛选依据和相关准则,并提出了一种基于模态分量优化重构和稀疏表达的联合降噪算法和具体流程;利用所提方法对涡扇发动机试车实验中采集的实际静电信号进行了降噪效果验证,并与其它方法进行了对比。结果表明本文方法在滤除随机噪声以及工频干扰的同时能更高程度的保留有用异常颗粒信号,稀疏迭代次数在设置为20～50时均能够较好提取异常信号。     

基于群稀疏系数估计的图像重构算法

基于稀疏表示的图像先验信息模型被广泛用于实现图像的重构中。针对稀疏表示中字典选择与系数估计的关键问题,提出了基于稀疏表示与非局部自相似性相结合的图像重构方法。首先通过欧氏距离的块匹配寻找相似图像块,并利用左右字典分别对相似图像块集合进行局部稀疏与非局部稀疏表示,以获得更稀疏准确的稀疏表示系数。进一步针对传统阈值收缩法对稀疏系数估计精度不足的问题,利用伯格曼迭代算法快速有效地求解重构模型,并采用线性最小均方误差估计准则(LMMSE)实现稀疏系数的估计,以保证对包含图像纹理细节信息的小系数的精确估计。实验结果表明,本文方法不仅在PSNR等客观指标上达到了目前先进水平,而且重构后图像拥有更为丰富的细节信息,整体视觉效果更加清晰。     

声矢量阵列波达方向估计的四元数空间稀疏分解

针对稀疏分解(sparse decomposition)类算法在恢复矢量阵列信号时收敛速度慢的问题,本文将稀疏分解理论推广到四元数空间,提出了一种声矢量阵列波达方向估计的四元数正交匹配追踪算法。首先,建立声矢量阵列的四元数模型,然后将方向矢量矩阵在四元数空间展开作为冗余字典,最后利用正交匹配追踪算法恢复原始信号得到目标方位信息。实验结果表明:在四元数空间建立的冗余字典强化了声矢量传感器各输出分量间正交性,与长矢量模型即在复数域的冗余字典相比恢复性能更好。具体表现为:冗余字典原子长度降为长矢量方法的1/3,并有效去除长矢量方法在DOA估计角度真值附近1°范围内的偏差。仿真结果验证了算法的有效性。     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.     

基于判别字典学习的电能质量扰动识别方法

电能质量扰动识别方法通常是先通过数字信号处理工具对信号进行检测和特征提取,再采用人工智能方法对特征进行分类识别,增加了识别过程的复杂性和冗余性。提出一种基于判别字典学习(DDL)的稀疏表示电能质量扰动识别方法,可有效减少识别步骤、降低复杂性,并提高识别率。该方法首先采用主成分分析方法将K类扰动训练样本集降维为扰动降维特征训练样本集,由各类样本分别训练出冗余子字典,然后级联成判别字典。接着基于l0范数算法求解出降维测试信号在该判别字典下的稀疏表示矩阵,最后利用不同的冗余子字典重构测试样本,由冗余残差最小值确定目标归属类,实现对电能质量扰动信号的识别。仿真实验结果表明该方法能有效地对不同电能质量扰动进行识别,过程简单、数据量少、抗噪声鲁棒性好,在信噪比20 d B以上的噪声环境中电能质量扰动识别准确率达到95%以上。     

一种用于超声信号降噪的非凸变量重叠 群稀疏变分方法

粗大晶粒产生的大量散射噪声而导致的超声检测信号信噪比低问题是粗晶结构超声检测面临的一大难题。针对现有稀疏降噪方法在波形失真和幅值衰减方面的不足,本文提出了一种基于非凸变量重叠群稀疏变分的超声信号降噪方法。基于含散射噪声的典型超声信号,分析了非凸变量重叠群稀疏变分方法的主要参数(如非凸变量函数类型、正则化参数和乘法因子等)对其降噪效果的影响,并确定了适合超声信号降噪处理的参数选择依据。在此基础上,将非凸变量重叠群稀疏变分方法应用于典型钢锭超声检测信号的降噪处理。结果表明,该方法能够很好剔除钢锭超声检测信号中的散射噪声,提高了钢锭超声全聚焦成像的信噪比6 dB以上,研究工作为粗晶材料超声检测作了有益探索。     

基于信号共振稀疏分解的转子早期碰摩故障诊断方法

提出了基于信号共振稀疏分解的转子早期碰摩故障诊断方法,该方法用信号共振稀疏分解从转子系统振动信号中提取早期碰摩冲击信号。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现早期碰摩故障时,振动信号由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。利用信号共振稀疏分解方法从转子早期碰摩信号中提取冲击成分,根据冲击的周期可进行转子早期碰摩故障诊断。算法仿真和应用实例验证了该方法从转子系统中提取早期碰摩冲击信号的有效性。
