LMD与非凸罚最小化L_q正则子压缩传感的轴承振动信号重建

针对机械振动信号高速传输、大容量长期实时存储问题,提出一种局部均值分解(LMD)与非凸罚最小化Lq正则子压缩传感(CS)相结合的轴承故障振动信号重建方法。该方法利用振动系统信号采样、压缩合并进行的思想,首先通过LMD把振动信号分解为若干个不同频率分量的乘积函数平稳信号,对不同的频段分量寻求最佳的稀疏基,构建基于随机高斯矩阵的高度欠定方程;然后求解合适的压缩比,应用非凸罚最小化Lq正则子(q=0.5)算法重构,对所有重构信号组合得到原始振动信号。研究结果表明:LMD与非凸罚最小化Lq正则子压缩传感相结合的方法提高了轴承振动信号的重构精度,降低了重构计算复杂度,具有更高的处理速度和运行效率。     

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于矩阵重构和酉变换的DOA估计

为了提高重构相干信号测向算法的估计性能,降低算法运算量,提出了一种基于矩阵重构和酉变换方法的酉矩阵重构算法。该算法首先通过酉变换将阵列接收数据从复值计算转换为实值计算,使计算量大大降低;然后计算阵列协方差矩阵并进行特征值分解得到信号子空间,再将信号子空间重构为Toeplitz矩阵实现解相干并再次进行酉变换;最后通过特征值分解得到信号子空间并使用最小二乘法实现波达方向(direction of arrival, DOA)估计。相比于改进的旋转不变性的信号参数(estimation of signal parameters via rotational invariance techniques-like, ESPRIT-Like)算法和空间平滑处理算法,由于消除了噪声影响、构造了Toeplitz矩阵以及充分利用了数据的共轭信息,该算法的估计精度更高、具有更高的运算效率且在ESPRIT-Like算法失效的条件下新算法仍能有效估计DOA。本文算法的运行时间是ESPRIT-Like算法的71.2%,实验结果证明了该方法的有效性和真实性。     

基于奇异值分解的液压缸动态特性分析新方法

针对经验模态分解(EMD)方法、数学形态法和经验模态分解(MM-EMD)方法在处理液压缸油压波动信号时产生模态混叠的缺点,提出了一种基于奇异值分解(SVD)的液压缸动态特性分析的新方法。首先,在相空间对周期性冲击力作用下的液压缸油压波动信号进行重构,得到合适的特征矩阵;然后将特征矩阵进行奇异值分解,获得奇异值序列和多个可线性叠加的分量信号;最后,根据奇异值分布规律、分量信号特点和油压波动模型,将分量信号进行分类和重组,提取能够反映液压缸动态性能的自由振动分量。试验结果表明,基于奇异值分解的液压缸动态特性分析新方法提取的自由振动分量,能够避免模态混叠,保留了更多的信号细节,为评价液压缸动态性能提供可靠的依据。     

基于压缩信号特征值分解的超宽带码序列估计算法

针对脉冲超宽带通信中码序列盲估计问题,根据超宽带信号为时域极窄脉冲这一主要特点,提出了一种适于较低采样率下基于特征值分解的码序列盲估计算法。结合压缩传感理论,首先利用压缩测量矩阵将信号维度降低,然后按字符周期将接收到的UWB信号截取成若干等长的时间窗,分段积累得到压缩后信号协方差矩阵的估计值,进而通过对于协方差矩阵的特征值分解得到码序列的估计,同时进一步根据所得特征值得到接收信号符号帧级的时间偏移量估计。实验验证表明,该方法可以以较低采样率,在低信噪比条件下较好地完成接收信号的码序列估计。     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

基于低秩-稀疏分解的滚动轴承故障特征提取

针对旋转机械早期故障特征微弱且易受背景噪声影响而难以提取的问题,提出一种基于低秩-稀疏分解的轴承信号瞬态特征提取方法。研究了周期性瞬态信号的稀疏时频表示,建立了低秩-稀疏模型并从背景噪声中提取瞬态冲击信号。首先,通过高阶同步压缩变换(high-order synchrosqueezing transform, FSSTH)将测量信号变换到一个新的稀疏子空间;然后,使用鲁棒主成分分析算法(robust principal component analysis, RPCA)将稀疏时频矩阵分解为低秩部分和稀疏部分;最后,对低秩矩阵施加逆高阶同步压缩变换恢复得到瞬态冲击信号,并通过包络谱分析实现故障诊断。该方法由数据驱动实现,不需要任何先验信息。仿真信号和实际信号分析结果表明,所提方法可有效增强振动信号中故障引起的周期性瞬态冲击特征,能够实现强噪声背景下滚动轴承微弱故障特征提取。     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.     

基于压缩传感的直接序列超宽带码序列估计算法

直接序列超宽带(DS-UWB)通过一组伪随机码调制脉冲信号的极性,具有较强的军事通信隐蔽性。针对军事对抗中直接序列超宽带中的码序列估计问题,为降低数字前端采样率,基于压缩传感理论,提出了一种低于奈奎斯特采样率下的码序列盲估计算法。通过对分段压缩信号进行累积,得到协方差矩阵的估计值,进而对协方差矩阵的特征值分解得到码序列的估计以及符号帧级的同步偏移值估计。理论分析和仿真证明了所提方法的有效性。     

基于超声解调信号多特征融合的轴承故障识别

针对当前振动监测对轴承初期微损状态监测难、精准度低的问题,提出了一种基于经验模态分解与多类熵值相结合的轴承状态监测方法,研究超声解调信号对故障诊断的可行性。首先将预处理后的超声解调信号进行经验模态分解得到若干本征模态分量,然后对各本征模态分量计算不同熵值特征,再将多特征融合后代入随机森林训练分类模型,利用混淆矩阵进行精度评价,最终对早期故障识别准确率高达97.92%。研究表明,超声解调信号对判别轴承早期故障效果更佳;经过多类熵值特征融合后,轴承状态分类具有更高的识别准确率。     

基于EEMD-SVD与时域分析的马田系统轴承故障诊断

针对轴承初始故障发生的时间点以及退化趋势,提出了基于总体平均经验模式分解和奇异值分解方法(EEMD-SVD)与时域分析的马田系统故障诊断方法.该方法通过提取振动信号时域和时频特征,构建不同特征参数下的基准空间并利用正交表对特征参数进行降维和优化,最终融合成单一特征参数马氏距离.分别用马氏距离监测轴承运行状态,判断初始故障发生的时刻以及演化趋势,并依据马氏距离对轴承故障发展的过程进行了划分.该方法有效地提取了振动信号时频特征并优化了马田系统基准空间,更加准确地识别了轴承初始故障发生的时间点以及更加合理地划分了轴承的退化过程.通过两组滚动轴承加速寿命试验,验证了该方法的有效性和合理性.     

基于小波包散布熵与Meanshift概率 密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.     

直接数据特征值分解的相干源DOA估计

提出一种基于均匀圆阵单次快拍数据的相干信源波达方向(direction of arrival,DOA)估计方法——直接数据特征值分解(direct data eigenvalue decomposition,DD-EVD)法. 算法通过模式空间转换将均匀圆阵虚拟为均匀线阵,再直接利用波束空间的快拍数据,构造一个Toeplitz矩阵,并对矩阵按阵列流形分解. 理论推导证明,矩阵的秩得到恢复,只与入射信号个数有关. 对该矩阵进行特征值分解可得到正确的信号子空间和噪声子空间,进而完成相干信源DOA估计. 算法使用单次快拍数据构造矩阵,适合非平稳信号参数的估计,同时不需要快拍累计和相关运算,降低了计算复杂度. 仿真结果验证了算法的有效性.      

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

基于EWT和SVD技术的齿轮故障诊断方法研究

本文基于经验小波变换(EWT,empirical wavelet transform)和奇异值分解(SVD,singular value decomposition)技术提出了一种齿轮的故障诊断方法.首先采用EWT方法将齿轮的振动信号分解为若干个本征模态分量(IMF),并利用这些IMF分量形成向量矩阵.而后对初始向量矩阵进行奇异值分解,根据奇异值分解的三大特性,将求得的特征向量矩阵的奇异值作为齿轮振动信号的模式特征向量.最后通过建立马氏距离判别函数判断齿轮的振动情况和故障类型.通过对实际实验数据的分析,证明了该方法在齿轮故障诊断中有效性.     

基于谐波小波和SVD的可倾瓦滑动轴承工频干扰抑制

针对新型流体支撑可倾瓦滑动轴承的振动位移信号中的工频干扰问题,提出了基于谐波小波和奇异值分解(SVD)的工频干扰抑制算法.首先基于谐波小波的严格盒型频谱和任意频段任意细分的特性,提取包含工频频谱的频段,然后在时域构建Hankel矩阵并进行奇异值分解,将反映工频成分的特征值置零,从而抑制工频成分,最后将去除工频的子带频谱同原始频谱其他子带合并,得到去除工频干扰的有用信号用于后续分析.试验结果表明,此算法可有效抑制工频干扰,为后续的新型可倾瓦滑动轴承的振动特性研究奠定基础,具有一定的工程应用价值.     

Hermite矩阵特征值的绝对扰动上界

利用矩阵的奇异值分解和矩阵的计算技巧研究了Hermite矩阵特征值的扰动界,得到了Hermite矩阵特征值的绝对扰动上界,该结果改进并推广了Wielandt-Hoffman定理．     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。