基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,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,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

基于矩阵秩最小化和统计修正的信号降噪方法研究

针对奇异值分解在信号降噪时有效秩的选择问题,提出一种基于矩阵秩最小化和统计修正的信号降噪方法。首先,利用矩阵秩最小化理论将奇异值有效秩选择问题转化为秩的约束优化问题;然后,通过凸优化求解,得到干净信号的Hankel矩阵,实现一次降噪;最后,根据奇异值子集标准差对干净信号Hankel矩阵进行统计修正,进一步优化降噪效果。模拟信号和真实信号的实验结果表明:该方法可以有效的消除脉冲干扰和高斯噪声,能够最大限度的降低信号均方误差,提高信噪比,增强了奇异值分解在信号降噪中的通用性。     

一种确定奇异值分解降噪有效秩阶次的改进方法

提出了一种基于奇异值差分谱单边极大值的降噪方法,实现了对旋转设备故障信号信噪比的提高。首先通过相空间重构Hankel矩阵的方法对原始振动信号进行处理,再进行奇异值分解,最后采用奇异值差分谱单边极大值原则确定所含的较大峰值降噪阶数。通过数值仿真和实际轴承故障数据的应用分析,表明了该方法可以有效地提高信号的信噪比,为后期的故障特征信号提取创造有利条件。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

一种基于奇异值分解技术的模型定阶方法

摘要：模态参数识别中模型阶次的确定非常重要。基于奇异值分解技术,探讨模型阶次的确定方法,提出了利用奇异值的相对变化率来确定模型的阶次。该方法利用结构的量测脉冲响应信号构造Hankel矩阵,对其进行奇异值分解后计算奇异值的相对变化率,变化率最大的地方对应着模型的阶次。通过数值算例研究了噪声因素对模型阶次确定的影响,并利用模型实验数据验证了本方法的有效性。     

基于动态聚类的奇异值分解降噪方法研究

针对奇异值分解降噪中吸引子轨道矩阵重构阶次难以有效确定的问题,提出了基于非监督动态聚类算法来确定矩阵有效重构阶次的新方法.该方法利用含噪声信号的奇异谱图中表征噪声的噪声平台平缓和集中的特性,通过向谱图纵轴投影,应用动态聚类合理确定噪声平台的边界,进而有效地确定奇异值分解降噪中矩阵的有效重构阶次.仿真结果表明,该方法有较好的降噪精度和算法稳定度,提高了算法的实用性.     

一种基于奇异值分解的自适应降噪方法

根据信号处理基本理论和方法．针对奇异值分解方法中有关的Hankel矩阵有效秩难以确定的难题,提出了一种奇异值分解方法,即主分量分解方法．并通过试验数据进行了验证。仿真信号和海上实录信号的降噪实验研究表明．提出的方法比基本的LMS滤波和奇异值分解降噪效果更加优越,能有效提高信噪比并去除噪声。     

基于低秩Hankel矩阵逼近的模态参数识别方法

针对测量结构输出响应信号所受噪声干扰问题,提出利用低秩Hankel矩阵逼近方法对响应信号降噪。该方法利用结构脉冲响应信号构建Hankel矩阵,对其进行奇异值分解后计算奇异值相对变化率确定模型阶次,通过迭代低秩逼近方法获得降噪信号后进行模态参数识别。用数值算例研究矩阵维数对降噪效果、计算效率影响,并用悬臂梁模型实验验证该方法的有效性。     

基于中值滤波－奇异值分解的胶合板拉伸声发射信号降噪方法研究

为了去除声发射信号中的随机噪声与脉冲干扰,提高有用信号质量,提出了一种中值滤波与奇异值分解相结合的降噪方法。该方法首先对原始声发射信号进行中值滤波,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奇异值分解,最后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,并利用能量差分谱的较大峰值位置来确定奇异值的重构阶数,以实现降噪。数值仿真和五层胶合板脱胶和表板断裂测试的实测数据分析表明,该方法能够有效地保留原有信号的特征,并能最大限度地消除噪声,提高信噪比     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。