为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网...为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。展开更多
针对大型矩阵奇异值分解(singular value decomposition,SVD)时使用经典算法时间复杂度较高,以及已有的量子SVD算法要求待分解的矩阵必须具有非稀疏低秩的性质,并且在计算过程中构造任意大小酉矩阵对目前的量子计算机来说实现起来并不...针对大型矩阵奇异值分解(singular value decomposition,SVD)时使用经典算法时间复杂度较高,以及已有的量子SVD算法要求待分解的矩阵必须具有非稀疏低秩的性质,并且在计算过程中构造任意大小酉矩阵对目前的量子计算机来说实现起来并不容易等问题,提出基于QR迭代的量子SVD。QR迭代使用的是Householder变换,通过量子矩阵乘法运算完成经典矩阵乘法运算过程。实验结果表明,该方法能够得到所求矩阵的奇异值及奇异矩阵,使大型矩阵的SVD具有可行性。展开更多
针对滚动轴承振动信号易受噪声影响,难以提取故障特征信息的问题,提出一种奇异值分解(singular value decomposition,SVD)重构结合最小熵反卷积(minimum entropy deconvolution,MED)增强的滚动轴承故障特征提取方法。首先,对振动信号进...针对滚动轴承振动信号易受噪声影响,难以提取故障特征信息的问题,提出一种奇异值分解(singular value decomposition,SVD)重构结合最小熵反卷积(minimum entropy deconvolution,MED)增强的滚动轴承故障特征提取方法。首先,对振动信号进行SVD分解,并计算奇异分量(singular component,SC)对应线性峭度(L-kurtosis)值;其次,根据线性峭度值结合设定阈值筛选SC,叠加得到重构信号;随后,对重构信号利用MED进行增强,凸出信号中周期冲击成分;最后,结合包络解调提取故障特征频率。仿真信号及实测信号分析结果表明,该方法可以降低噪声对振动信号的影响且凸显故障的特征信息,实现故障诊断。展开更多
对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出...对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。展开更多
针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重...针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。展开更多
为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障...为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。展开更多
文摘为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。
文摘针对大型矩阵奇异值分解(singular value decomposition,SVD)时使用经典算法时间复杂度较高,以及已有的量子SVD算法要求待分解的矩阵必须具有非稀疏低秩的性质,并且在计算过程中构造任意大小酉矩阵对目前的量子计算机来说实现起来并不容易等问题,提出基于QR迭代的量子SVD。QR迭代使用的是Householder变换,通过量子矩阵乘法运算完成经典矩阵乘法运算过程。实验结果表明,该方法能够得到所求矩阵的奇异值及奇异矩阵,使大型矩阵的SVD具有可行性。
文摘对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。
文摘针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。
文摘为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。
