一种基于时变奇异值分解的周期性暂态信号的检测方法技术

本发明专利技术公开了一种基于时变奇异值分解的周期性暂态信号的检测方法，该方法检测被噪声所淹没的周期性暂态信号，实现列车轴承故障的精确诊断。该方法对检测信号进行Hilbert变换，获取包络信号，对信号加窗，获取信号片段，构造每个信号所对应的汉克矩阵，对每个汉克矩阵奇异值分解，构造时变奇异值矩阵，计算相邻两列奇异值差值，对差值信号做快速傅里叶变换，将频率轴尺度缩小为原来的1/2，分析奇异值‑频谱分布检测淹没的特征频率，进行诊断。相比于传统奇异值分解方法，该方法可以有效的排除大能量噪声和其他干扰频率的影响，对微弱信号的周期性特征提取具有很好的效果。

A detection method of periodic transient signal based on time varying singular value decomposition

The invention discloses a detection method of periodic transient signal based on time-varying singular value decomposition, which detects the periodic transient signal which is submerged by the noise, and realizes the accurate diagnosis of the train bearing fault. The method of Hilbert transform on the detection signal, obtaining the envelope signal of the signal window, get the signal fragments, Hank matrix corresponding to each signal structure, singular value decomposition for each Hank matrix structure, time-varying singular value matrix, calculating the singular value difference between two adjacent columns, fast Fourier transform of the frequency difference signal axis scale 1/2 of the original singular value analysis, spectrum detection feature frequency submerged, diagnosis. Compared with the traditional singular value decomposition method, the proposed method can effectively eliminate the influence of high energy noise and other interference frequency, and has a good effect on the periodic feature extraction of weak signal.

【技术实现步骤摘要】

本专利技术涉及一种基于时变奇异值分解的周期性暂态信号的检测方法，适用于故障诊断、生物医疗等微弱信号检测领域，尤其适用于列车轴承故障诊断领域。
技术介绍
列车轴承发生故障会激发出一种周期性暂态声学信号。因此可通过检测该声学信号对列车轴承实现非接触式的故障诊断与状态监测。但由于检测信号不可避免的混入噪声，微弱的周期性特征会被淹没。提取该特征频率对实现列车轴承诊断具有十分重要的意义。传统的奇异值分解去噪方法基于“先分解再重构”的基本思想，通过将分解出的小的奇异值舍去，保留大的奇异值重构达到去噪的目的。然而该方法在保留大奇异值的过程不可避免的会保留住能量较大的噪声，给提取微弱的周期性特征带来不利影响。这将大大降低列车轴承故障的诊断效率和准确率。
技术实现思路
本专利技术提出了一种时变奇异值分解的周期性暂态信号的检测方法，该方法检测被噪声所淹没的周期性暂态信号。相比于传统的奇异值分解方法，本专利技术方法抛弃了“先分解再重构”的基本思想，在奇异值域直接对测取信号中的周期性暂态特征进行分析，可以有效的排除大能量噪声和其他干扰频率的影响。尤其对微弱信号的周期性特征提取具有很好的效果。本专利技术采用的技术方案为：一种基于时变奇异值分解的周期性暂态信号的检测方法，在待检测设备前方安置麦克风传感器用于记录设备发出的声学信号作为检测信号，对检测信号进行分析，具体步骤如下：步骤(1)、通过希尔伯特变换计算检测信号x(t)的包络信号y(t)；步骤(2)、对信号进行加窗处理，可得信号片段为： Y i k = [ y i , y i + 1 , y i + 2 , ... , y i + ( k - 1 ) ] ]]>其中，yi为包络信号的第i个数据点，k为信号片段长度；步骤(3)、对每个信号片段构造对应的汉克矩阵： H ( Y i k ) ( ( k + 1 ) / 2 ) × ( ( k + 1 ) / 2 ) = y i y i + 1 ... y i + ( k + 1 ) / 2 - 1 y i + 1 y i + 2 ... y i + ( k + 1 ) / 2 . . . . . . . . . . . . 本文档来自技高网...

【技术保护点】
一种基于时变奇异值分解的周期性暂态信号的检测方法，其特征在于：在待检测设备前方安置麦克风传感器用于记录设备发出的声学信号作为检测信号，对检测信号进行分析，具体步骤如下：步骤(1)、通过希尔伯特变换计算检测信号x(t)的包络信号y(t)；步骤(2)、对信号进行加窗处理，可得信号片段为：Yik=[yi,yi+1,yi+2,...,yi+(k-1)]]]>其中，yi为包络信号的第i个数据点，k为信号片段长度；步骤(3)、对每个信号片段构造对应的汉克矩阵：H(Yik)((k+1)/2)×((k+1)/2)=yiyi+1...yi+(k+1)/2-1yi+1yi+2...yi+(k+1)/2............yi+(k+1)/2-1yi+(k+1)/2...yk+i-1]]>步骤(4)、对每个汉克矩阵进行奇异值分解，获取每个信号片段所对应的奇异值序列，将该奇异值序列按列排列，可得到信号y(t)的时变奇异值矩阵：ηp×(N-k)=σ1,1σ1,2...σ1,N-kσ2,1σ2,2...σ2,N-k............σp,1σp,2...σp,N-k]]>其中，列向量[σ1,i,σ2,i,…,σp,i]T表示第i个汉克矩阵H(Yik)的奇异值序列，N表示信号y(t)的长度，p表示矩阵H(Yik)的秩；步骤(5)、计算时变奇异值矩阵第2j行和第2j‑1行的差值(j＝1,2,…,p/2)，并对其使用快速傅里叶变换求取其频谱；步骤(6)、将该频谱的频率轴缩小为原来的1/2，通过分析奇异值‑频谱分布检测所淹没的特征频率。...

【技术特征摘要】
1.一种基于时变奇异值分解的周期性暂态信号的检测方法，其特征在于：在待检测设备前方安置麦克风传感器用于记录设备发出的声学信号作为检测信号，对检测信号进行分析，具体步骤如下：步骤(1)、通过希尔伯特变换计算检测信号x(t)的包络信号y(t)；步骤(2)、对信号进行加窗处理，可得信号片段为： Y i k = [ y i , y i + 1 , y i + 2 , ... , y i + ( k - 1 ) ] ]]>其中，yi为包络信号的第i个数据点，k为信号片段长度；步骤(3)、对每个信号片段构造对应的汉克矩阵： H ( Y i k ) ( ( k + 1 ) / 2 ) × ( ( k + 1 ) / 2 ) = y i y i + 1 ... y i + ( k + 1 ) / 2 - 1 y i + 1 y i + 2 ... y i + ( k + 1 ) / 2 . . . . . . . . . . . . y i + ( k + 1 ) / 2 - 1 y ...

【专利技术属性】
技术研发人员：张尚斌，何清波，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34