[发明专利]基于多尺度形态学优化的故障信号SVD降噪方法

说明书

本发明公开了基于多尺度形态学优化的故障信号SVD降噪方法，其步骤：采样故障信号，通过循环矩阵法对故障信号序列重构得到实矩阵A；采用MMRR奇异值比法求解实矩阵A的有效阶次对实矩阵A进行奇异值分解，得到对角矩阵Σ，保留对角矩阵Σ中前个奇异值并将其他奇异值置0，得到新的对角矩阵；利用新的对角矩阵还原得到原始信号的Frobenious范数逼近，并恢复出消噪信号矩阵B；利用多尺度形态滤波器对消噪矩阵B进行优化处理，采用不同类型的结构元素自适应组合滤除冲击成分，平滑信号。本发明抑制了故障信号中的随机噪声、冲击信号以及峰值、波谷噪声等，提高了滤波信号的平滑性。

技术领域

本发明属于故障诊断与容错控制领域，特别涉及了基于多尺度形态学优化的故障信号SVD降噪方法。

背景技术

实际采集的故障信号往往含有大量的噪声，这些噪声会影响到信号的分析精度和分析结果。对采样信号进行降噪处理是故障诊断与容错控制的一个重要步骤。目前，信号降噪技术取得了很大的发展，常用的方法有卡尔曼滤波、小波滤波、傅里叶变换降噪和奇异值滤波等方法。

Kalman滤波由于其较高的收敛精度和较快的收敛速度被引入到飞行器故障、微机继电保护等领域，可有效提高滤波算法的计算精度和速度。但是，就目前所采用的卡尔曼滤波算法而言，故障信号中的大量暂态噪声会影响卡尔曼滤波器对模型参数的准确性，降低滤波器的收敛精度。

傅里叶变换降噪方法不能很好地刻画非线性信号的局部细节信息，不适合处理非线性非平稳信号降噪；小波变换在时频域内都有较强的信号局部特征表征能力，但阈值及阈值函数选取会影响降噪效果。

奇异值分解(SVD)在信号消噪中能大量地消除背景噪声，具有很好的效果。但SVD法对故障信号的冲击信号和谷峰处理效果不理想，滤波后的信号平滑性不足。

发明内容

为了解决上述背景技术提出的技术问题，本发明提出了基于多尺度形态学优化的故障信号SVD降噪方法，抑制故障信号中的随机噪声、冲击信号以及峰值、波谷噪声等，提高滤波信号的平滑性。

为了实现上述技术目的，本发明的技术方案为：

基于多尺度形态学优化的故障信号SVD降噪方法，包括以下步骤：

(1)采样故障信号，通过循环矩阵法对故障信号序列重构得到实矩阵A；

(2)采用MMRR奇异值比法求解矩阵A的有效阶次

(3)对矩阵A进行奇异值分解，得到对角矩阵Σ；根据步骤(2)得到的有效阶次保留对角矩阵Σ中前个奇异值并将其他奇异值置0，得到新的对角矩阵；利用新的对角矩阵还原得到原始信号的Frobenious范数逼近，并恢复出消噪信号，即消噪矩阵B；

(4)利用多尺度形态滤波器对消噪矩阵B进行优化处理，采用不同类型的结构元素自适应组合滤除冲击成分，平滑信号。

进一步地，在步骤(1)中，设采样的故障信号序列为X＝{x(1),x(2),…x(n)}，通过循环矩阵法对故障信号序列X重复利用，按照每行信号循环排列构造矩阵A：

其中，x(t)为t时刻采样的故障信号，t＝1,2,…,n。

进一步地，步骤(2)的具体过程如下：

(201)选取整数P设为信号矩阵阶数，P≥n，递减P值并构造相应阶矩阵A^l，l＝1,2,…,P；

(202)计算MMR值：

上式中，γ_max(A^l)为矩阵A在阶数l下的最大特征值，γ_min(A^l)为矩阵A在阶数l下的最小特征值；