CN106446829A - 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 - Google Patents
一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 Download PDFInfo
- Publication number
- CN106446829A CN106446829A CN201610841660.1A CN201610841660A CN106446829A CN 106446829 A CN106446829 A CN 106446829A CN 201610841660 A CN201610841660 A CN 201610841660A CN 106446829 A CN106446829 A CN 106446829A
- Authority
- CN
- China
- Prior art keywords
- mode
- svd
- vmd
- signal
- vibration signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,包括:构造机组振动信号的Hankel矩阵并进行奇异值分解(SVD),基于均值滤波策略选出有效的奇异值以重构信号,实现前置滤波;采用变分模态分解(VMD)将重构信号分解为一系列模态函数,计算各模态分量的自相关函数,并根据自相关函数的能量集中度选出有效的模态分量,再由所有有效模态分量的累加得到降噪后的信号。本发明提出的水电机组振动信号降噪方法,通过仿真分析与实测振动信号进行了降噪试验,结果表明该方法具有较好的降噪性能,能有效提高水电机组振动信号分析精度。
Description
技术领域
本发明属于电力系统水电机组状态监测与信号分析领域,具体是一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法。
背景技术
水电机组作为电厂运行的核心设备,其健康状态不仅关系电厂的安全,更影响着区域大电网的安全稳定。因此,研究机组的稳定性具有重要的工程实际意义,在机组的稳定性分析中,振动是表征机组健康状态的重要指标。然而由于强背景噪声与复杂电磁干扰的影响,表征故障信息的振动特征频带会湮没在全频带的背景噪声中,使得采集到的信号难以准确反映机组的真实运行状态。开展对水电机组振动信号的降噪研究,提取机组真实的状态信号,不仅有助于及时发现机组运行异常,提升机组运行效率,更能保障机组和电力系统安全稳定。
目前,学术与工程界采用的信号降噪方法主要包括小波变换、奇异值分解(SVD)、经验模态分解(EMD)、变分模态分解(VMD)等。其中,小波变换的降噪效果依赖于小波基的选择和阈值的确定;SVD的降噪效果与Hankel矩阵的构造及有效奇异值的选择有关;EMD虽能自适应地将信号分解为多个模态函数,但由于存在模态混叠的问题,导致噪声与有用信号的分离效果不够理想;VMD是Dragomiretskiy等人于2014年提出的自适应准正交信号分解新方法,其通过递归地求解变分问题将信号分解为一组有限带宽的模态函数集合,实现了各信号分量频率的分离,克服了EMD存在的模态混叠问题,但在分析以低频段为主的水电机组振动信号时,其分析精度难以保证。
发明内容
本发明的目的是提供一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,进而提升强背景噪声与复杂电磁干扰下水电机组振动信号的分析精度。
本发明所采用的技术方案是:
一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,包括如下步骤:
1)、构造机组振动信号的Hankel矩阵并进行SVD分解;
2)、基于均值滤波策略选出有效奇异值,进行信号重构,实现前置滤波;
3)、采用VMD将重构信号分解为一系列模态函数;
4)、计算各模态分量的自相关函数,并根据自相关函数的能量集中度选出有效模态分量;
5)、累加所有有效模态分量,得到降噪后的信号。
所述步骤1):采用SVD进行信号分解的关键在于Hankel矩阵的构造,假设带噪声的振动信号序列为{vi},根据相空间重构理论,构建Hankel矩阵如下:
其中,N=d+q-1,d>q,N为采集信号的长度。
对H阵进行SVD分解,可得:
其中,ui与vi分别为U∈Rd×d与V∈Rd×d的正交列向量,θi为H阵的奇异值,对角阵Δ的表达式如下:
△=diag(θ1,θ2,…,θd)
其中,θi满足θ1≥θ2≥…≥θd≥0。
所述步骤2):对步骤1)中奇异值进行选择并重构信号。对于无噪信号,对角阵Δ为满秩,即所有奇异值都是有效的;对于带噪信号,其有效奇异值主要集中在前面部分。为提升VMD对低频特征频段的分离性能,将SVD作为VMD的前置滤波环节,并采用均值滤波方式选择奇异值界点。
所述步骤3)中,VMD通过求解约束变分问题将重构信号分解为一系列模态分量,且各模态分量均具有有限带宽,约束变分问题描述如下:
其中,K为分解得到的模态总数,mk与wk分别对应分解后第k个模态的时域信号和中心频率。
为求解上式,引入二次惩罚项和Lagrange乘子,其中二次惩罚项用于降低高斯噪音的干扰,Lagrange乘子则为增强约束的严格性,增广变分问题如下:
利用基于对偶分解和Lagrange法的交替方向乘子方法求解上式,对mk、wk与β进行交替迭代寻优,可得如下迭代公式:
对于给定求解精度ε,满足下式时停止迭代。
根据上式判断收敛性,若不收敛且n<N(N为最大迭代次数),则继续迭代,否则停止迭代,得到最终模态函数mk和中心频率wk。
所述步骤4),通过能量集中度指标(EFI),即自相关函数原点两侧10%范围内所含能量占总能量的比值,从分解结果中选出有效模态分量。其公式化描述如下:
其中,自相关函数y(n)的计算公式为:
y(n)=E[m(t)m(t+n)]
通过大量的实验研究发现,随机噪声的EFI指标通常大于0.5,即其主要能量集中在原点附近。为此,将EFI指标大于0.5的模态分量视为随机噪声,小于0.5的模态分量视为有用信号。
所述步骤5),累加所有有效模态分量,得到最终降噪后的信号,一定程度上消除了背景噪声干扰,提高了振动信号分析精度。
本发明一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,有益效果如下:
1)SVD前置滤波环节能在一定程度上去除背景噪声,提升VMD对低频特征频段的分离性能。
2)计算自相关函数并根据能量集中度进行分量选择,能有效地从VMD的模态分量中筛选出有效信号分量。
3)基于SVD与VMD的二次分解滤波方法与相关分析相结合,一定程度上消除了背景噪声干扰,提高了振动信号分析精度。
4)仿真算例对比分析与工程验证的研究结果表明,本发明降噪方法具有较好的降噪效果,适用于实时监测中水电机组振动信号的运行分析。
附图说明
图1为本发明提供的基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法的流程图。
图2为本发明仿真分析中水电机组振动原始仿真信号图。
图3为本发明仿真分析中水电机组振动加噪仿真信号图。
图4为本发明仿真分析中的SVD分解重构后的信号图。
图5为本发明仿真分析中各模态分量的自相关系数图。
图6本发明仿真分析中最终降噪后的信号图。
图7为本发明仿真分析中基于EMD和VMD的降噪结果。
图8为本发明试验中的上导摆度监测信号图。
图9为本发明试验中SVD分解重构后的信号图。
图10为本发明试验中降噪后信号的时域波形图。
图11为本发明试验中最终降噪后信号的包络谱。
具体实施方式
一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,包括如下步骤:
步骤1):构造机组振动信号的Hankel矩阵并进行SVD分解。
步骤2):基于均值滤波策略选出有效奇异值,进行信号重构,实现前置滤波。
步骤3):采用VMD将重构信号分解为一系列模态函数。
步骤4):计算各模态分量的自相关函数,并根据自相关函数的能量集中度选出有效的模态分量。
步骤5):累加所有有效模态分量,得到降噪后的信号。
所述步骤1)中构造振动信号的Hankel矩阵并进行SVD分解,假设带噪声的振动信号序列为{vi},根据相空间重构理论,构建Hankel矩阵如下:
其中,N=d+q-1,d>q,N为采集信号的长度;
对H阵进行SVD分解,可得:
其中,ui与vi分别为U∈Rd×d与V∈Rd×d的正交列向量,θi为H阵的奇异值,对角阵Δ的表达式如下:
△=diag(θ1,θ2,…,θd)
其中,diag为求取对角阵,θi满足θ1≥θ2≥…≥θd≥0。
所述步骤2)中奇异值的选择,对于无噪信号,对角阵Δ为满秩,即所有奇异值都是有效的;
对于带噪信号,其有效奇异值主要集中在前面部分;为提升VMD对低频特征频段的分离性能,将SVD作为VMD的前置滤波环节,并采用均值滤波方式选择奇异值界点。
所述步骤3)采用基于约束变分问题的VMD将重构信号分解为一系列模态分量,且各模态分量均具有有限带宽,约束变分问题描述如下:
其中,K为分解得到的模态总数,mk与wk分别对应分解后第k个模态的时域信号和中心频率。
为求解上式,引入二次惩罚项和Lagrange乘子,其中二次惩罚项用于降低高斯噪音的干扰,Lagrange乘子则为增强约束的严格性,增广变分问题如下:
利用基于对偶分解和Lagrange法的交替方向乘子方法求解上式,对mk、wk与β进行交替迭代寻优,迭代求解计算公式如下:
对于给定求解精度ε,满足下式时停止迭代;
其中,k模态序号,n为迭代次数。根据上式判断收敛性,若不收敛且n<N(N为最大迭代次数),则继续迭代,否则停止迭代,得到最终模态函数mk和中心频率wk。所述步骤4)定义了能量集中度指标(energy focusability index,EFI),即自相关函数原点两侧10%范围内所含能量占总能量的比值,进而据此从分解结果中选出有效模态分量。EFI计算公式如下:
其中,自相关函数y(n)的计算公式为:
y(n)=E[m(t)m(t+n)]
即分量m(t)在n处的自相关函数为分量m(t)与其滞后分量m(t+n)的数学期望。
通过大量的实验研究发现,随机噪声的EFI指标通常大于0.5,即其主要能量集中在原点附近。为此,将EFI指标大于0.5的模态分量视为随机噪声,小于0.5的模态分量视为有用信号。
对步骤5)所得有效模态分量累加,得到降噪后的信号。
下面结合仿真分析和实测水电机组振动信号降噪试验对发明作进一步的详细说明。
仿真分析:
水电机组运行过程中受到水力、机械、电磁等激励因素的耦合作用,其特征频率主要包括0.5x、1x、2x、3x、4x等分量,其中x为机组转频。水电机组振动仿真信号如下:
其中,幅值A1~A5分别为20μm、10μm、5μm、3μm、1μm,频率f1~f5分别为2Hz、2x2Hz、2x3Hz、2x4Hz、2x0.5Hz。采样频率为1000Hz,仿真得到的水电机组振动信号如图2所示,在该信号上添加信噪比为5dB的白噪声,带噪声的信号如图3所示。
对加噪声的振动仿真信号构造Hankel矩阵并进行SVD分解,再根据均值滤波选出有效奇异值,重构振动信号,其波形见图4。对重构信号进行VMD分解,分解层数为12,然后计算各分量的自相关函数,如图5所示。
表1各模态分量的能量集中度
各自相关函数的EFI指标见表1,其中EFI指标小于0.5的分量包括m11与m12,由m11与m12累加即得到最终降噪后的信号,其时域波形如图6所示。
为验证所提方法的有效性,仿真试验采用EMD、SVD、VMD等降噪方法作对比分析,其中SVD基于均值滤波进行降噪,EMD与VMD都基于模态分量自相关函数的EFI指标进行分量筛选和信号重构,VMD分解层数为12。同时,为实现降噪效果的定量分析,采用相关系数(R)与信噪比(SNR)作为评价指标,计算公式为:
其中,N为信号采样点数,vi为真实的理想信号,为vi的估计,lg表示以10为底的对数。
SVD的降噪结果见图3,EMD与VMD的降噪结果见图7,各方法的降噪性能指标见表2所示。
表2不同方法降噪结果对比
从表2中的结果对比可以看出,所提降噪方法的相关系数、信噪比指标都好于SVD、EMD和VMD,表明该方法的有效性。其中,SVD的降噪性能依赖于奇异值的选择,自适应性不强;EMD由于存在模态混叠现象,导致部分有用信号与噪声分量混叠在一起;由于全频带背景噪声的影响,VMD在求解频带中心时,将部分有用信号分到噪声分量中,影响了降噪效果;所提方法将SVD作为VMD的前置滤波环节,用于提升VMD对低频特征频段的分离性能,一定程度上消除了背景噪声干扰,提高了振动信号分析精度。
水电机组振动信号降噪试验:
下面对某大型水电机组的上导摆度监测数据进行降噪试验,验证所提方法的有效性。该机组额定转速为187r/min,信号采样频率为400Hz,采样点数为1024个,上导摆度的信号波形如图8所示。由图8可知,该摆度信号中包含了大量的背景噪声,且噪声分布不够均匀。对该信号进行SVD,并基于均值滤波进行有效奇异值选择和信号重构,重构后的信号如图9所示。对重构信号进行VMD分解,分解层数为12,计算各模态分量的自相关函数,并算出EFI指标,见表3。
表3各模态分量的能量集中度
由表3可知,EFI指标小于0.5的分量包括m10、m11与m12,由三者相加即得到最终降噪后的信号,其时域波形和包络谱分析分别如图10和11所示。从图10中可看出,所提方法很好地将背景噪声滤除。从图11中可看出,谱线仅包括1x、2x、4x、5x、6x等特征频率,其中基频x=187/60=3.1Hz,验证了所提方法的有效性。
Claims (7)
1.一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于包括如下步骤:
步骤1):构造机组振动信号的Hankel矩阵并进行SVD分解;
步骤2):基于均值滤波策略选出有效奇异值,进行信号重构,实现前置滤波;
步骤3):采用VMD将重构信号分解为一系列模态函数;
步骤4):计算各模态分量的自相关函数,并根据自相关函数的能量集中度选出有效的模态分量;
步骤5):累加所有有效模态分量,得到降噪后的信号。
2.根据权利要求1所述一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于,所述步骤1)中构造振动信号的Hankel矩阵并进行SVD分解,假设带噪声的振动信号序列为{vi},根据相空间重构理论,构建Hankel矩阵如下:
其中,N=d+q-1,d>q,N为采集信号的长度;
对H阵进行SVD分解,可得:
其中,ui与vi分别为U∈Rd×d与V∈Rd×d的正交列向量,θi为H阵的奇异值,对角阵Δ的表达式如下:
△=diag(θ1,θ2,…,θd)
其中,θi满足θ1≥θ2≥…≥θd≥0。
3.根据权利要求1所述一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于,所述步骤2)中奇异值的选择,对于无噪信号,对角阵Δ为满秩,即所有奇异值都是有效的;对于带噪信号,其有效奇异值主要集中在前面部分;为提升VMD对低频特征频段的分离性能,将SVD作为VMD的前置滤波环节,并采用均值滤波方式选择奇异值界点。
4.根据权利要求1所述一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于,所述步骤3)采用基于约束变分问题的VMD将重构信号分解为一系列模态分量,且各模态分量均具有有限带宽,约束变分问题描述如下:
其中,K为分解得到的模态总数,mk与wk分别对应分解后第k个模态的时域信号和中心频率;
为求解上式,引入二次惩罚项和Lagrange乘子,其中二次惩罚项用于降低高斯噪音的干扰,Lagrange乘子则为增强约束的严格性,增广变分问题如下:
利用基于对偶分解和Lagrange法的交替方向乘子方法求解上式,对mk、wk与β进行交替迭代寻优,迭代求解计算公式如下:
对于给定求解精度ε,满足下式时停止迭代;
根据上式判断收敛性,若不收敛且n<N(N为最大迭代次数),则继续迭代,否则停止迭代,得到最终模态函数mk和中心频率wk。
5.根据权利要求1所述一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于,所述步骤4)定义了能量集中度指标(energy focusability index,EFI),即自相关函数原点两侧10%范围内所含能量占总能量的比值,进而据此从分解结果中选出有效模态分量,EFI计算公式如下:
其中,自相关函数y(n)的计算公式为:
y(n)=E[m(t)m(t+n)]
通过大量的实验研究发现,随机噪声的EFI指标通常大于0.5,即其主要能量集中在原点附近,为此,将EFI指标大于0.5的模态分量视为随机噪声,小于0.5的模态分量视为有用信号。
6.根据权利要求1所述一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于,对步骤5)所得有效模态分量累加,得到降噪后的信号。
7.一种基于SVD与VMD模态自相关分析的水电机组振动信号降噪方法,其特征在于,在水电机组振动信号分析中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841660.1A CN106446829A (zh) | 2016-09-22 | 2016-09-22 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841660.1A CN106446829A (zh) | 2016-09-22 | 2016-09-22 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106446829A true CN106446829A (zh) | 2017-02-22 |
Family
ID=58166456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610841660.1A Pending CN106446829A (zh) | 2016-09-22 | 2016-09-22 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446829A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814396A (zh) * | 2017-03-13 | 2017-06-09 | 山东科技大学 | 一种基于vmd的矿山微震信号的降噪滤波方法 |
CN107704831A (zh) * | 2017-10-11 | 2018-02-16 | 山东科技大学 | 一种基于奇异值分解中值法的瓦斯浓度数据降噪方法 |
CN108280808A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于结构化输出相关滤波器的目标跟踪方法 |
CN108399385A (zh) * | 2018-02-23 | 2018-08-14 | 中国石油大学(华东) | 一种风力发电机组振动监测信号降噪方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108447033A (zh) * | 2018-03-12 | 2018-08-24 | 浙江大学 | 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法 |
CN108919347A (zh) * | 2018-07-02 | 2018-11-30 | 东华理工大学 | 基于vmd的地震信号随机噪声压制方法 |
CN109063190A (zh) * | 2018-08-29 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 用于处理数据序列的方法和装置 |
CN109145727A (zh) * | 2018-07-11 | 2019-01-04 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN109682561A (zh) * | 2019-02-19 | 2019-04-26 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
CN109977914A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨工业大学 | 基于vmd的自适应降噪方法 |
CN110018429A (zh) * | 2019-03-29 | 2019-07-16 | 中国科学院电子学研究所 | 一种消除磁探测平台振动干扰磁场的方法和系统 |
CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110292374A (zh) * | 2019-05-31 | 2019-10-01 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110309603A (zh) * | 2019-07-05 | 2019-10-08 | 华北电力大学(保定) | 一种基于风速特性的短期风速预测方法及系统 |
CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
CN110686767A (zh) * | 2019-09-20 | 2020-01-14 | 国家电网有限公司 | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 |
CN110716534A (zh) * | 2019-10-31 | 2020-01-21 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
CN110909480A (zh) * | 2019-11-29 | 2020-03-24 | 华北水利水电大学 | 一种水轮机振动信号的去噪方法与装置 |
CN112405072A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
CN112414688A (zh) * | 2020-11-13 | 2021-02-26 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于vmd-dtw的断路器振动信号降噪方法 |
CN112464811A (zh) * | 2020-11-26 | 2021-03-09 | 淮阴工学院 | 一种抽水蓄能机组振摆信号中高频随机噪声精准滤除方法 |
CN112649196A (zh) * | 2020-11-19 | 2021-04-13 | 上海交通大学烟台信息技术研究院 | 基于频域信息的信号变分模态分解预设尺度参数选取方法 |
CN112837254A (zh) * | 2021-02-25 | 2021-05-25 | 普联技术有限公司 | 一种图像融合方法、装置、终端设备及存储介质 |
CN112904197A (zh) * | 2021-01-25 | 2021-06-04 | 国网安徽省电力有限公司电力科学研究院 | 基于参数识别的高压断路器机械振动信号特征提取方法 |
CN113375939A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和vmd的机械件故障诊断方法 |
CN113375940A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和ceemdan的故障轴承诊断方法 |
CN113552224A (zh) * | 2021-07-28 | 2021-10-26 | 中国石油大学(华东) | 一种用于液膜密封端面的密封状态检测方法 |
CN113565666A (zh) * | 2021-07-05 | 2021-10-29 | 江西洪屏抽水蓄能有限公司 | 基于水轮发电机组振动数据特征判断机组运行状态的方法 |
CN115165081A (zh) * | 2022-07-29 | 2022-10-11 | 东北大学 | 一种矿山机械振动信号采集及工况识别的系统和方法 |
CN116631429A (zh) * | 2023-07-25 | 2023-08-22 | 临沂金诺视讯数码科技有限公司 | 基于voip呼叫volte通话的语音视频处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978716A (zh) * | 2015-06-09 | 2015-10-14 | 重庆大学 | 一种基于线性最小均方误差估计的sar图像降噪方法 |
CN105205461A (zh) * | 2015-09-18 | 2015-12-30 | 中国石油大学(华东) | 一种用于模态参数识别的信号降噪方法 |
CN105678343A (zh) * | 2015-08-25 | 2016-06-15 | 浙江工业大学 | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 |
-
2016
- 2016-09-22 CN CN201610841660.1A patent/CN106446829A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978716A (zh) * | 2015-06-09 | 2015-10-14 | 重庆大学 | 一种基于线性最小均方误差估计的sar图像降噪方法 |
CN105678343A (zh) * | 2015-08-25 | 2016-06-15 | 浙江工业大学 | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 |
CN105205461A (zh) * | 2015-09-18 | 2015-12-30 | 中国石油大学(华东) | 一种用于模态参数识别的信号降噪方法 |
Non-Patent Citations (6)
Title |
---|
CHIN-YUCHEN等: "《An improved bidimensional empirical mode decomposition:A mean approach for fast decomposition》", 《SIGNAL PROCESSING 98》 * |
余发军等: "《基于EEMD和自相关函数特性的自适应降噪方法》", 《计算机应用研究》 * |
孙振华等: "《一种新型信号奇异值预处理方法》", 《江南大学学报(自然科学版)》 * |
汤宝平等: "《基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法》", 《机械工程学报》 * |
白堂博等: "《基于VMD的旋转机械故障诊断方法研究》", 《石油矿场机械》 * |
陈思汉等: "《基于二维局部均值分解的图像多尺度分析处理》", 《计算机辅助设计与图形学学报》 * |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814396A (zh) * | 2017-03-13 | 2017-06-09 | 山东科技大学 | 一种基于vmd的矿山微震信号的降噪滤波方法 |
CN106814396B (zh) * | 2017-03-13 | 2019-04-26 | 山东科技大学 | 一种基于vmd的矿山微震信号的降噪滤波方法 |
CN107704831A (zh) * | 2017-10-11 | 2018-02-16 | 山东科技大学 | 一种基于奇异值分解中值法的瓦斯浓度数据降噪方法 |
CN108280808B (zh) * | 2017-12-15 | 2019-10-25 | 西安电子科技大学 | 基于结构化输出相关滤波器的目标跟踪方法 |
CN108280808A (zh) * | 2017-12-15 | 2018-07-13 | 西安电子科技大学 | 基于结构化输出相关滤波器的目标跟踪方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108399385A (zh) * | 2018-02-23 | 2018-08-14 | 中国石油大学(华东) | 一种风力发电机组振动监测信号降噪方法 |
CN108399385B (zh) * | 2018-02-23 | 2021-10-15 | 中国石油大学(华东) | 一种风力发电机组振动监测信号降噪方法 |
CN108447033A (zh) * | 2018-03-12 | 2018-08-24 | 浙江大学 | 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法 |
CN108447033B (zh) * | 2018-03-12 | 2022-03-18 | 浙江大学 | 奇异值分解和天牛须寻优算法的灰度图像自适应增强方法 |
CN108919347A (zh) * | 2018-07-02 | 2018-11-30 | 东华理工大学 | 基于vmd的地震信号随机噪声压制方法 |
CN109145727A (zh) * | 2018-07-11 | 2019-01-04 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN109145727B (zh) * | 2018-07-11 | 2021-10-08 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN109063190A (zh) * | 2018-08-29 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 用于处理数据序列的方法和装置 |
US11221273B2 (en) | 2019-02-19 | 2022-01-11 | Dalian University Of Technology | Method for automatically detecting free vibration response of high-speed railway bridge for modal identification |
WO2020168589A1 (zh) * | 2019-02-19 | 2020-08-27 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
CN109682561A (zh) * | 2019-02-19 | 2019-04-26 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
CN110018429A (zh) * | 2019-03-29 | 2019-07-16 | 中国科学院电子学研究所 | 一种消除磁探测平台振动干扰磁场的方法和系统 |
CN109977914A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨工业大学 | 基于vmd的自适应降噪方法 |
CN109977914B (zh) * | 2019-04-08 | 2021-06-15 | 哈尔滨工业大学 | 基于vmd的自适应降噪方法 |
CN110082436B (zh) * | 2019-04-25 | 2022-01-11 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110292374A (zh) * | 2019-05-31 | 2019-10-01 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110292374B (zh) * | 2019-05-31 | 2022-05-17 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110309603A (zh) * | 2019-07-05 | 2019-10-08 | 华北电力大学(保定) | 一种基于风速特性的短期风速预测方法及系统 |
CN110309603B (zh) * | 2019-07-05 | 2023-10-24 | 华北电力大学(保定) | 一种基于风速特性的短期风速预测方法及系统 |
CN110686767A (zh) * | 2019-09-20 | 2020-01-14 | 国家电网有限公司 | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 |
CN110657985A (zh) * | 2019-10-11 | 2020-01-07 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
CN110657985B (zh) * | 2019-10-11 | 2021-07-06 | 重庆邮电大学 | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 |
CN110716534B (zh) * | 2019-10-31 | 2021-04-06 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
CN110716534A (zh) * | 2019-10-31 | 2020-01-21 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
CN110909480A (zh) * | 2019-11-29 | 2020-03-24 | 华北水利水电大学 | 一种水轮机振动信号的去噪方法与装置 |
CN112405072A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
CN112414688A (zh) * | 2020-11-13 | 2021-02-26 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于vmd-dtw的断路器振动信号降噪方法 |
CN112649196A (zh) * | 2020-11-19 | 2021-04-13 | 上海交通大学烟台信息技术研究院 | 基于频域信息的信号变分模态分解预设尺度参数选取方法 |
CN112649196B (zh) * | 2020-11-19 | 2022-09-06 | 上海交通大学烟台信息技术研究院 | 基于频域信息的信号变分模态分解预设尺度参数选取方法 |
CN112464811A (zh) * | 2020-11-26 | 2021-03-09 | 淮阴工学院 | 一种抽水蓄能机组振摆信号中高频随机噪声精准滤除方法 |
CN112904197A (zh) * | 2021-01-25 | 2021-06-04 | 国网安徽省电力有限公司电力科学研究院 | 基于参数识别的高压断路器机械振动信号特征提取方法 |
CN112837254B (zh) * | 2021-02-25 | 2024-06-11 | 普联技术有限公司 | 一种图像融合方法、装置、终端设备及存储介质 |
CN112837254A (zh) * | 2021-02-25 | 2021-05-25 | 普联技术有限公司 | 一种图像融合方法、装置、终端设备及存储介质 |
CN113375940A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和ceemdan的故障轴承诊断方法 |
CN113375939A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和vmd的机械件故障诊断方法 |
CN113375939B (zh) * | 2021-05-28 | 2022-04-08 | 三峡大学 | 基于svd和vmd的机械件故障诊断方法 |
CN113565666A (zh) * | 2021-07-05 | 2021-10-29 | 江西洪屏抽水蓄能有限公司 | 基于水轮发电机组振动数据特征判断机组运行状态的方法 |
CN113565666B (zh) * | 2021-07-05 | 2024-05-14 | 江西洪屏抽水蓄能有限公司 | 基于水轮发电机组振动数据特征判断机组运行状态的方法 |
CN113552224A (zh) * | 2021-07-28 | 2021-10-26 | 中国石油大学(华东) | 一种用于液膜密封端面的密封状态检测方法 |
CN113552224B (zh) * | 2021-07-28 | 2024-02-13 | 中国石油大学(华东) | 一种用于液膜密封端面的密封状态检测方法 |
CN115165081A (zh) * | 2022-07-29 | 2022-10-11 | 东北大学 | 一种矿山机械振动信号采集及工况识别的系统和方法 |
CN116631429A (zh) * | 2023-07-25 | 2023-08-22 | 临沂金诺视讯数码科技有限公司 | 基于voip呼叫volte通话的语音视频处理方法及系统 |
CN116631429B (zh) * | 2023-07-25 | 2023-10-10 | 临沂金诺视讯数码科技有限公司 | 基于voip呼叫volte通话的语音视频处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446829A (zh) | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 | |
Zhang et al. | An optimized time varying filtering based empirical mode decomposition method with grey wolf optimizer for machinery fault diagnosis | |
Li et al. | An optimized VMD method and its applications in bearing fault diagnosis | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN102750543B (zh) | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 | |
CN109100143A (zh) | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 | |
CN102243133B (zh) | 基于运动形态和冲击信号分析的高速自动机故障诊断方法 | |
Deng et al. | Self adaptive multi-scale morphology AVG-Hat filter and its application to fault feature extraction for wheel bearing | |
CN104390781A (zh) | 一种基于lmd和bp神经网络的齿轮故障诊断方法 | |
CN107003665B (zh) | 用于评估连接到马达的旋转机械的状态的方法 | |
CN103675617A (zh) | 一种用于高频局部放电信号检测的抗干扰方法 | |
Zhang et al. | Energy operator demodulating of optimal resonance components for the compound faults diagnosis of gearboxes | |
CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
CN104748961A (zh) | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
CN104483127A (zh) | 一种行星齿轮微弱故障特征信息提取方法 | |
CN106197999A (zh) | 一种行星齿轮故障诊断方法 | |
CN104776908A (zh) | 基于emd广义能量的轮轨振动信号故障特征提取方法 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN104156585A (zh) | 一种基于多项指标特征的双字典匹配追踪轴承故障程度评价方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN109472288A (zh) | 一种抽水蓄能机组振动混合特征提取与分类方法 | |
CN102721537B (zh) | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |