赵学智 聂振国 叶邦彦 陈统坚

摘要： 针对信号的有效奇异值选择问题，发现了有效奇异值和信号频率个数之间存在重要联系，研究结果表明有效奇异值数量由信号中的频率个数决定，而与频率大小及其幅值无关，只要信号所构造矩阵的维数大于信号中频率个数的两倍，则每一个频率成分产生两个有效奇异值。研究了噪声干扰下有效奇异值的分布规律，发现随着矩阵维数的增加，有效奇异值受噪声的影响逐渐变小，而噪声产生的奇异值则会被分离到有效奇异值之后。基于每一个频率成分产生两个奇异值这一特性，提出利用SVD提取由一个或多个特征频率构成的特征信号时域波形，并将这一方法用于轴承和转子振动的波形特征提取，其效果优于小波变换。

关键词： 信号处理； 奇异值分解； 有效奇异值； 特征提取

中图分类号： TN911.7； TH165+.3 文献标志码： A 文章编号： 1004-4523（2016）03-0532-10

DOI：10.16385/j.cnki.issn.10044523.2016.03.020

引 言

近年来，奇异值分解（Singular value decomposition， SVD）在振动模态[1]、心电信号[23]、声发射信号[4]、机械故障诊断[56]、小波变换[7]、地球电磁场信号[8]等方面获得了广泛的应用。如Araujo等利用SVD中的左奇异向量来估计梁的振动模态[1]；Ahmed等将SVD和小波变换相结合用于心电信号的压缩[2]；Jung WooHyuk等则利用SVD方法来提取心电信号的R波峰[3]；Samraj等利用SVD提取刀具声发射信号的特征，用于对刀具磨损的监测[4]；Su Zhongyuan等将SVD和HilbertHuang变换相结合，用于对齿轮箱故障的识别和分类[5]；Cong Feiyun等提出了一种短时序列矩阵的SVD方法，用于轴承故障诊断[6]；此外，SVD对Morlet小波变换冗余数据的压缩[7]和信号消噪[8]也有很好的效果。……