基于MRSVD和VPMCD的轴承故障智能诊断方法研究

针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）和变量预测模型模式识别（Variable Predictive Model based Class Discriminate,VPMCD）的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示：故障识别精度达到98.75%,证明了该方法的可行性和有效性。     

MRSVD敏感分量在单频周跳探测修复中的应用

准确探测微小周跳历元是周跳修复的关键,精准修复周跳是高质量北斗卫星导航系统（BeiDou Navigation Satellite System,BDS）定位的难点,为此提出一种基于多分辨奇异值分解（Multi-Resolution Singular Value decomposition,MRSVD）的敏感分量预测模型,用于周跳探测与修复。该方法对探测信号构造Hankle矩阵,并对其进行MRSVD分析,得到一组具有不同分辨率的分量信号。然后对分量信号进行敏感因子评估分析,选取包含周跳特征的分量,构成敏感特征向量,凸显信号的周跳信息,进而通过模极大值谱精准检测出信号中奇异点的位置,实现对微小周跳的准确探测。以筛选出的MRSVD敏感特征向量为基础,构建最小二乘支持向量机（Least Square Support Vector Machine,LS-SVM）预测模型,进行周跳修复。实验结果表明,该方法能够对载波相位中出现的微小周跳进行准确探测与修复,证明了该方法的可行性和有效性。     

基于奇异值分解及形态滤波的滚动轴承故障特征提取方法*

针对滚动轴承振动信号故障特征信息往往被强背景噪声淹没的问题,提出一种基于奇异值分解和形态滤波的振动信号故障特征提取方法。该方法利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,选择轨迹矩阵中主要反映冲击信息明显的奇异值进行信号重构的方法来滤除信号中的平滑信号和部分噪声,获取带噪声的冲击信号;然后利用形态滤波能有效滤除脉冲干扰噪声的特点,反其道而行之,从而提取信号的冲击故障特征的方法,并将该方法应用于轴承的振动信号的故障特征提取。仿真与实例表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法。     

基于奇异值分解理论的钢轨断裂检测方法

为了检测出钢轨断裂点的准确位置,首先基于传输线理论建立钢轨断裂时的机车分路电流幅值包络仿真模型,分析了钢轨断裂对分路电流幅值包络的影响,然后利用对分路电流幅值包络进行多分辨奇异值分解后细节信号的奇异性特征检测钢轨断裂点的准确位置。实验结果表明,该方法可以有效检测出不同断裂点等效阻抗值下钢轨断裂点的准确位置,从而弥补了目前监测方法的不足。并且该方法的数据可以由机车自身的记录器提供,不需要增加其他检测设备,因此能够在降低检测成本的同时能满足检测及时性方面的要求。     

基于广义形态滤波和分水岭算法的图像分割

传统的分水岭算法直接对图像的梯度图进行分割,梯度算子由于受噪声或量化误差的影响而产生很多局部最小值,从而导致严重的过分割现象,如何消除其过分割现象一直以来都是研究的热点。本文介绍一种广义形态滤波器,使用两组适应不同形状要求的含有四个结构的结构元素来构成一个滤波器组,用于分水岭算法的预处理,在平滑原始图像的同时去除了易造成过分割的区域细节和噪声,有效地抑制了分水岭算法的过分割现象,然后使用分水岭算法,获得了较好的分割效果。     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法.首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量...     

基于Hilbert扫描和SVD的小波域图像水印算法

为了提高水印的安全性、鲁棒性和不可见性,提出了一种基于Hilbert扫描和SVD（Singular Value Decomposition,奇异值分解）的小波域图像水印技术。算法以一幅有意义的二值水印图像为水印信号。首先对原始图像进行一层小波变换,对低频分量进行图像分块,并对每一个图像块进行SVD。利用了SVD的单向非对称性和正交矩阵的性质,给出了一种自适应水印方案。同时,利用了Hilbert扫描能很好地保持图像空间局部连接性的特点。然后,利用图像的局部统计特征自适应地修改阈值,利用两个阈值严格控制系数的修改程度,使算法达到不可见性和鲁棒性之间的最优平衡。水印的提取无需原始图像的参与,达到了真正的盲水印。实验结果表明,该算法是有效的,对常见的图像处理操作具有较强的鲁棒性。     

基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。     

柔性形态滤波和遗传规划在电机轴承故障诊断的应用

针对电机轴承故障振动信号的强噪声背景.以及电机轴承故障是一个内圈故障、外圈故障和滚动体故障多级分类问题的情况,提出了一种基于柔性形态滤波和遗传规划的电机轴承故障诊断方法.该方法首先对电机轴承故障原始信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量以及时域统计特征量作为遗传规划中的终止符,通过复制、交叉、突变以及适应度计算等操作,使个体逐渐逼近问题的最优解,得到电机轴承故障模式分类的最优模型,试验结果表明了该方法的有效性.     

S能量谱特征提取在轴承故障诊断中的应用

准确提取振动信号的特征,是滚动轴承故障检测的关键问题,为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换,得到时频矩阵,并构建S能量谱,对S能量谱进行奇异值分解（Singular Value Decomposition,SVD）分析,得到能够反映S能量谱特征的奇异值,利用变量预测模型（Variable Predictive Model based Class Discriminate,VPMCD）方法,通过建立特征值之间的内在关系,构建故障识别模型。将所提方法应用于滚动轴承故障检测,实验结果表明,S能量谱特征提取轴承故障诊断方法具有较高的正判率。     

基于决策树和相关向量机的智能故障诊断方法

针对故障诊断面临的故障样本少、非线性强、多故障处理等问题以及传统智能诊断方法存在的不足,提出了一种基于决策树（DT）和相关向量机（RVM）的智能故障诊断方法。通过构造决策二叉树,将多类分类问题分解成多个二类分类问题;在各个决策节点,利用RVM进行二类分类,从而实现RVM的多类分类。理论分析及仿真结果表明,相比支持向量机,新方法在保持高诊断正确率的同时具有更高的稀疏性和诊断效率,并且能够提供概率式输出,更具实用价值;相比OAR-RVM和OAO-RVM方法,新方法节省了训练时间,具有更高的训练效率。     

基于奇异值分解和Savitzky-Golay滤波器的信号降噪方法

为降低信号中噪声的干扰,将奇异值分解(SVD)理论和Savitzky-Golay滤波器相结合提出了一种新的降噪方法。该方法首先分析了信号负熵随信噪比变化的规律,而后通过将负熵作为降噪效果的评估参数,确定了SVD降噪过程中构造的Hankel矩阵的最优维数;其次采用Savitzky-Golay滤波器对用于重构信号的奇异值进行了平滑滤波处理,并分析了Savitzky-Golay滤波器结构对降噪效果的影响,最后通过定义误差函数确定了Savitzky-Golay滤波器的最优结构。将该方法应用于线性调频信号和多成分周期信号的降噪实验,结果表明:基于SVD和Savitzky-Golay滤波器的降噪方法能有效降低噪声干扰,是一种有效的信号降噪方法。     

一种基于K-SVD的说话人识别方法

为了充分提取语音中的个人特征信息,类比矢量量化,提出了一种基于K-均值奇异值分解(K-SVD)的说话人识别方法。利用K-SVD训练得到的字典可较好地保存语音信号中的个人特征信息。利用这一特性,通过K-SVD从训练数据中提取包含说话人个人特征信息的字典,利用该字典实现说话人识别。相对于传统方法,该方法能够更好地利用语音的稀疏性保存语音中的个人特征信息并减小重构误差。实验仿真结果表明,与基于矢量量化的说话人识别方法相比,该方法在多说话人的情况下具有更好的识别率,具有更高的实用价值。     

基于广义主成分分析的重构故障子空间建模方法

在线故障诊断是工业过程中十分重要的问题.相比传统贡献图而言,基于重构的故障诊断受到特别关注.传统的主元分析方法没有考虑故障数据中同时包含正常工况信息和故障信息,因而提取出故障子空间对故障的描述准确性不足.为提高故障子空间的准确性,提出一种基于广义主成分分析的重构故障子空间建模方法.首先,同时考虑正常工况数据和故障数据,...     

基于主元分析的桥梁挠度传感器故障诊断研究

主元分析(PCA)是一种典型的数据降维的多元统计方法,已被越来越多地用于故障诊断。将PCA应用在桥梁挠度传感器故障诊断。介绍了PCA的理论,研究了基于PCA的故障检测方法和基于贡献率的故障诊断方法。计算平方预测误差(SPE)和Hoteling T2统计,当统计量超过阈值时,判断系统出现了传感器故障,然后通过SPE贡献图判断故障源。通过仿真验证了PCA在故障诊断的实用性,但结果也表明:PCA对小故障不是很敏感。     

四旋翼无人机的多模型故障诊断

四旋翼无人机是一个强耦合非线性被控对象,准确地判断故障情况,并及时调整控制器参数对无人机的安全飞行具有重要的意义。针对四旋翼无人机的执行器部分失效故障,提出了一种多模型在线故障诊断方法。该方法根据不同故障模式建立故障模型集,通过模型集的并联运行对无人机工作模式进行在线监测。仿真结果表明,对于单旋翼执行器部分失效故障,该方法能够快速准确地获得故障模型参数。