奇异值分解在微弱信号检测中的应用

发布时间：2017-08-22 14:50

  本文关键词：奇异值分解在微弱信号检测中的应用

  更多相关文章： 故障诊断 信号检测 奇异值分解 随机共振 滚动轴承

【摘要】：在机械设备的早期故障阶段，由于故障引起的损伤很小，因此传感器测得的振动信号中弱故障特征信号往往伴随着大量的干扰噪声。强噪声干扰使得故障特征信号的提取和检测变得尤为困难。因此，论文研究强背景噪声情形下的早期故障特征信号的提取和检测技术。 奇异值分解作为一种非线性滤波方法，广泛应用于信号的降噪中。奇异值分解通过选择有效奇异值的方式来保留信号成分并消去噪声成分从而改善信号的信噪比。该方法要求选择保留的奇异值能很好的对应信号空间。在强噪声干扰情形下，有效奇异值的判断变得异常困难，从而无法找到对应的信号空间使常规的奇异值分解方法失效。论文针对常规奇异值分解在检测极低信噪比信号时失效的问题，提出了基于奇异值分解的分量信号检测方法。该方法首先将一维采样序列重构到高维空间，在展开的高维空间中得到不同类型信号对应的相关矩阵分布模式和分解特征。然后根据奇异向量的标准差找到信号成分相对集中且噪声成分大大降低的子空间，从而实现信号降噪和提取的目的。仿真表明该方法可以有效改善微弱特征信号的信噪比。 随机共振是一种有效的微弱特征信号提取方法。随机共振利用信号、噪声和非线性系统之间的协同作用实现噪声能量向微弱信号的转移，从而改善信号信噪比实现信号的检测。然而随机共振中使用的非线性系统对信号信噪比有一定要求。当信号信噪比低于非线性系统能检测的阈值时，随机共振现象就无法达到。针对该问题，论文提出了基于分量信号的随机共振特征提取方法。该方法将奇异值分解得到的分量信号用双稳系统进行处理得到随机共振响应，在分量响应信号中检测特征信号。仿真验证了该方法的可行性。 滚动轴承是旋转机械中常用部件，且容易发生故障。滚动轴承在运行过程中往往伴随着很强的背景噪声，因此轴承的故障往往是在故障发展到一定阶段才发现。这对设备的正常运行是极为不利的。为了保证设备的正常安全运行，需要在轴承早期故障阶段检测到故障特征。为此论文提出了分量包络信号检测方法。该方法首先得到分量信号，然后对分量信号进行希尔伯特变换得到分量包络信号，再通过快速傅里叶变换得到分量包络谱。在分量包络谱中能够发现滚动轴承早期故障特征。数值模拟和实验结果验证了所提方法的有效性。
【关键词】：故障诊断 信号检测 奇异值分解 随机共振 滚动轴承
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TN911.23;TH165.3
【目录】：

• 中文摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-13
• 1.1 课题研究背景9
• 1.2 SVD 研究动态和现状9-11
• 1.2.1 国外研究现状9-10
• 1.2.2 国内研究现状10-11
• 1.3 论文的主要工作和创新点11-13
• 第二章 SVD 的基本理论13-20
• 2.1 引言13
• 2.2 SVD 的定义13-14
• 2.3 SVD 的性质及其意义14-16
• 2.4 Hankel 矩阵的构造16-17
• 2.5 数值模拟分析17-20
• 第三章 分量信号特征提取机理20-27
• 3.1 引言20
• 3.2 分量信号的构造20-21
• 3.3 矩阵 的变形矩阵21-22
• 3.4 相关矩阵的特征22-24
• 3.5 数值模拟分析24-27
• 第四章 基于分量信号的随机共振特征提取研究27-41
• 4.1 引言27
• 4.2 随机共振的研究动态27-29
• 4.3 随机共振基本理论29-36
• 4.3.1 郎之万方程29-30
• 4.3.2 福克-普朗克方程30-33
• 4.3.3 绝热近似理论33-36
• 4.4 分量信号随机共振检测机理36-41
• 第五章 基于分量信号的滚动轴承故障特征提取41-49
• 5.1 引言41
• 5.2 滚动轴承故障形式41-42
• 5.3 包络分析42
• 5.4 SVD 分量信号包络分析过程42-43
• 5.5 滚动轴承早期故障的仿真分析43-45
• 5.6 滚动轴承实际故障信号分析45-49
• 第六章 总结与展望49-51
• 参考文献51-55
• 发表论文和科研情况说明55-56
• 致谢56

【相似文献】

中国期刊全文数据库 前10条

1 何婧;冯国灿;;奇异值分解在人脸识别中的应用[J];广东教育学院学报;2006年03期

2 王萍;程余;;半奇异值算法的推导及其应用[J];计算机工程与应用;2007年17期

3 罗仁泽;冉瑞生;王汝言;;基于奇异值分解的基图像的人脸识别[J];电讯技术;2008年02期

4 邹红星,王殿军,戴琼海,李衍达;延拓矩阵的奇异值分解[J];电子学报;2001年03期

5 温广瑞,张西宁,屈梁生;奇异值分解技术在声音信息分离中的应用[J];西安交通大学学报;2003年01期

6 王虹;朱双燕;;基于整体与局部奇异值分解的人脸识别方法[J];计算机工程与应用;2007年22期

7 邹玮刚;孙国平;;一种新的基于奇异值分解的图像隐藏方法[J];江西理工大学学报;2008年05期

8 王敏;;基于整体与部分奇异值分解的人脸识别[J];微计算机信息;2009年20期

9 康晓兵;魏生民;;基于小波域奇异值分解的图像拷贝检测[J];计算机应用;2010年04期

10 牟怿;周龙;;奇异值分解在粮虫检测系统中的应用[J];武汉工业学院学报;2010年03期

中国重要会议论文全文数据库 前10条

1 张友民;陈洪亮;戴冠中;;基于奇异值分解的固定区间平滑新方法[A];1995年中国控制会议论文集（上）[C];1995年

2 何田;王立清;刘献栋;朱永波;;基于奇异值分解的信号处理机理及其应用[A];2008年航空试验测试技术峰会论文集[C];2008年

3 张霄;林鸿飞;杨志豪;;基于奇异值分解的蛋白质关系抽取[A];第五届全国信息检索学术会议论文集[C];2009年

4 曹云丽;郭勤涛;徐尧;周瑾;;基于奇异值分解响应面方法的磁轴承转子参数识别[A];第11届全国转子动力学学术讨论会（ROTDYN2014）论文集（上册）[C];2014年

5 吴晓颖;吴俊;董滨江;;TK方法在γ谱分析中的应用[A];第7届全国核电子学与核探测技术学术年会论文集（三）[C];1994年

6 林原;林鸿飞;苏绥;;一种应用奇异值分解的RankBoost排序学习方法[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

7 金宋友;赵志文;;一种基于奇异值分解盲水印算法[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

8 赵卫国;翟自勇;王子君;;基于奇异值分解和神经网络的数字图像水印算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

9 岳红;蒋慰孙;;基于奇异值分解的改进Bayes集员辨识递推算法[A];1995中国控制与决策学术年会论文集[C];1995年

10 张景瑞;;基于奇异值分解的SGCMGs输出误差分析及操纵律设计[A];第三届全国动力学与控制青年学者研讨会论文摘要集[C];2009年

中国硕士学位论文全文数据库 前10条

1 关晓勇;基于奇异值分解的状态监测与故障诊断方法研究[D];大连理工大学;2005年

2 王钢;基于奇异值分解的机织物瑕疵检测算法研究[D];东华大学;2014年

3 Charles Alpha Bangura;[D];湖南大学;2011年

4 郑安总;奇异值分解在微弱信号检测中的应用[D];天津大学;2014年

5 赵慧琳;奇异值分解的人脸识别算法[D];上海海运学院;2002年

6 李科;基于沙米尔和奇异值分解的小波域数字图像水印算法研究[D];南昌大学;2010年

7 贾换霞;基于奇异值分解和神经网络的人脸识别方法的研究[D];东北大学;2005年

8 马素春;基于奇异值分解的小波域水印算法[D];重庆大学;2009年

9 孟玉婵;基于小波变换和奇异值分解的图像水印算法研究[D];电子科技大学;2011年

10 沈晓峰;基于奇异值分解的数字图像水印技术研究[D];苏州大学;2008年

，

本文编号：719758