奇异值分解在微弱信号检测中地应用.pdfVIP

中文摘要 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 ABSTRACT In the early fault stage of mechanical equipment, the damage caused by fault is weak, thus, vibration signals obtained by sensors generally consist of feeble feature signal of failure and abundant of interference noise. Unfortunately, the disturbance of strong noise makes the extraction of feature signal rather difficult. Consequently, this thesis conducts research on techniques of detecting and extracting weak characteristic signal in the incipient phase of device failure. Singular value decomposition (SVD) is a nonlinear filtering method and is extensively applied to de-noise and detection of signal. Signal component is reserved while noise component is largely eliminated with the use of SVD to reduce dimension of signal matrix. However, this method requires that the first kth singulars selected to form reduced matrix correspond precisely to sig