局部均值分解(local mean decomposition,LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,...局部均值分解(local mean decomposition,LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,严重时导致信号分解结果失真.针对这一问题,从全面考虑曲线幅值和几何形状相似性出发,提出基于灰色B型关联度和欧氏距离的端点效应抑制方法.为评价该端点效应抑制方法的抑制效果,提出分解前后的信号能量变化的评价标准.通过与原始局域均值分解算法、镜像映射法和波形匹配法等传统方法相比,验证该方法的有效性和优越性.仿真信号和泵站主轴摆度实测信号的应用表明,该方法能够有效地抑制端点效应,提高LMD分解过程中重构信号精度,更好地提取泵站机组摆度信号故障特征.展开更多
滑动轴承的声发射(Acoustic Emission,AE)信号噪声污染严重,限制了K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)字典算法的降噪能力。基于此,结合AE信号特点,提出了基于多层多位置稀疏的滑动轴承AE信号降噪算法。首先...滑动轴承的声发射(Acoustic Emission,AE)信号噪声污染严重,限制了K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)字典算法的降噪能力。基于此,结合AE信号特点,提出了基于多层多位置稀疏的滑动轴承AE信号降噪算法。首先提出移动标尺策略重构AE信号,使信号获得多层多位置的稀疏特性,解决了K-SVD容易忽略原子间隐藏信息的问题,然后通过灰色B型绝对关联度降低字典原子冗余度,提高字典运算速度。因此,与传统的K-SVD算法相比,该算法具有更好的降噪性能。应用到实例中,该算法成功获得了滑动轴承不同程度摩擦状态的变化,证明了该算法的有效性。展开更多
文摘局部均值分解(local mean decomposition,LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,严重时导致信号分解结果失真.针对这一问题,从全面考虑曲线幅值和几何形状相似性出发,提出基于灰色B型关联度和欧氏距离的端点效应抑制方法.为评价该端点效应抑制方法的抑制效果,提出分解前后的信号能量变化的评价标准.通过与原始局域均值分解算法、镜像映射法和波形匹配法等传统方法相比,验证该方法的有效性和优越性.仿真信号和泵站主轴摆度实测信号的应用表明,该方法能够有效地抑制端点效应,提高LMD分解过程中重构信号精度,更好地提取泵站机组摆度信号故障特征.
文摘滑动轴承的声发射(Acoustic Emission,AE)信号噪声污染严重,限制了K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)字典算法的降噪能力。基于此,结合AE信号特点,提出了基于多层多位置稀疏的滑动轴承AE信号降噪算法。首先提出移动标尺策略重构AE信号,使信号获得多层多位置的稀疏特性,解决了K-SVD容易忽略原子间隐藏信息的问题,然后通过灰色B型绝对关联度降低字典原子冗余度,提高字典运算速度。因此,与传统的K-SVD算法相比,该算法具有更好的降噪性能。应用到实例中,该算法成功获得了滑动轴承不同程度摩擦状态的变化,证明了该算法的有效性。
