柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声,在进行故障特征提取之前必须加以消除.首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比,然后将奇异值分解技术用于信号降噪,最后提出了一种将小波包和奇异值分解相结合的降噪方法.该方法将输入信号进行一次小波包分解,利用奇异值分解方法对分解后的幅值量化系数进行降噪.实例表明,小波包和奇异值分解相结合的方法降噪效果最好.与其他方法相比,用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高,且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号,大大提高了特征提取的准确率.     

小波包变换在往复泵活塞状态监测中的应用

根据小波变换能同时在时间域和频率域进行局部化信号分析的特点,采用小波包分解、小波包重构及小波包分频带能量监测方法对往复泵活塞状态进行识别,取得了良好的效果。这种方法具有特征参量少、故障特征突出等优点。可以预见,信号的小波包分析将发展为一种可用于往复泵工况监测与故障诊断的特征提取方法     

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.     

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.     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声，在进行故障特征提取之前必须加以消除。首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比，然后将奇异值分解技术用于信号降噪。最后提出了一种将小波包和奇异值分解相结合的降噪方法。该方法将输入信号进行一次小波包分解，利用奇异值分解方法对分解后的幅值量化系数进行降噪。实例表明，小波包和奇异值分解相结合的方法降噪效果最好。与其他方法相比，用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高，且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号，大大提高了特征提取的准确率。     

小波包变换在往复泵活塞状态监测中的应用

根据小波变换能同时在时间域和频率域进行局部化信号分析的特点,采用小波包分解,小波我重构及小波包分频带能量监测方法对往复泵活塞状态进行识别,取得了良好的效果。这种方法具有特征参量少,故障特征突出等优点,可以预见,信号的小波包分析将发展为一种可用一     

基于小波包分解和支持向量机的虹膜识别方法

考虑到虹膜识别的非线性和小样本的特点,以及小波包分解具有的分析高频特征信息的优势,提出了一种基于小波包分解和支持向量机的虹膜识别方法.首先对虹膜图像实行分窗小波包分解,再对各窗口的子带图像做筛选处理;然后通过奇异值分解对筛选后的各子带图像做进一步的特征提取和压缩,得到虹膜识别特征;最后利用支持向量机对虹膜特征进行模式匹配.实验结果表明了该算法的有效性.     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

GNSS形变序列的信号提取方法比较分析研究

如何从观测数据序列中准确提取信号是GNSS数据处理的主要研究内容之一。经验模态分解和局部均值分解是提取信号的较为常用的2种时频分析方法,与其相比,奇异谱分析法能够准确识别提取时间序列中的趋势周期信号且不需要先验信息。因此文中利用奇异谱分析法对GNSS数据进行深入分析提取变形信号,并与局部均值分解和经验模态分解2种方法进行对比,分析3种方法提取信号的效果。鉴于奇异谱分析识别周期和趋势信号的优势,实验结果表明奇异谱分析与其它2种方法相比能更为准确的提取信号,是一种有效的GNSS数据处理分析信号提取方法。