VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

基于能量分析重构VMD分量的直埋供热管道泄漏定位研究

为提高声波法在复杂噪声环境下进行直埋供热管道泄漏定位的准确性,本文提出了基于能量分析重构有效模态分量的供热管道泄漏定位方法,即采用变分模态分解(VMD)将检测信号自适应地分解为一组本征模态函数(IMF),识别、提取有泄漏特征的有效模态分量,并通过能量占比分析完成信号加权重构。泄漏实验和工程实测表明：常规VMD泄漏定位方法与本文方法的平均定位偏差分别为1.57、0.51 m,相对定位偏差分别为8.42%、2.75%,采用本文方法定位准确性提高67.34%;工程实测中,常规VMD方法未能发现管道泄漏位置,本文方法确定的泄漏位置定位偏差为1.78 m;本文方法可抑制有效模态分量中的残余噪声,降低噪声成分对泄漏定位的影响,提高复杂噪声环境下供热管道泄漏定位精度。     

基于EMD_SVD的矿山微震与爆破信号特征提取及分类方法

针对矿山微震与爆破信号难以识别的问题,提出了基于经验模态分解(EMD)和奇异值分解(SVD)的矿山信号特征提取及分类方法。首先对微震与爆破信号进行EMD分解,再借助相关系数和方差贡献率筛选得到主要本征模态分量为IMF1~IMF6,进而利用SVD计算主要本征模态分量构成矩阵的奇异值σ_i(i=1,2,...,6),最后应用支持向量机(SVM)对用沙坝矿微震与爆破信号进行分类。结果表明:微震与爆破信号的奇异值σ_1,σ_2和σ_3差异较大,且σ_1(28)7.5作为识别分界值时准确率达到了88.25%;SVM法识别效果优于BP神经网络法、Bayes法和单一奇异值分界值法,且SVM法准确率达到了93.0%。由此,该方法可为矿山微震与爆破信号特征提取和分类提供一种新方法。     

滚动轴承制造精度振动测试模型构建方法研究

滚动轴承的振动是非常复杂的随机机械现象,在轴承制造过程中,常采用振动测试作为其质量评判标准,其关键技术是振动信号的分析。针对滚动轴承制造质量测试过程中振动信号的分解和判别模型构建问题,提出基于粒子群优化算法（PSO）的滚动轴承振动信号的变分模态分解（VMD）和支持向量机（SVM）判别模型构建方法。首先,采用自动测振仪对不同精度等级的轴承振动信号进行采集;其次,对振动信号进行VMD分析,以变分后的有限带宽模态函数（IMF）与原信号的相关系数ρ为适应度函数对VMD参数中的模态分解个数K和二次惩罚项α进行优化;然后,根据各模态的中心频率与其原始信号的相关性对模态分量进行优选和信号重构,并计算重构信号的多尺度排列熵（MPE）特征;最后,采用PSO算法对支持向量机（SVM）模型的惩罚参数c和核函数参数g进行优化,建立滚动轴承质量实时分析的SVM判别模型。试验结果表明：经PSO优化后的VMD-MPE-SVM模型对轴承制造精度的正确判别率为95.00%。研究结果可为滚动轴承制造过程中产品精度实时全检提供一种参考方法。     

基于AEEMD和改进DATA-SSI算法的桥梁结构模态参数自动化识别

模态参数作为桥梁结构最重要的动力参数之一,在实际运用中,可通过监测其变化情况来辨识结构的使用性能,精确地参数识别对保障桥梁健康运营具有十分重要的意义。鉴于此,该文对现阶段常用的振动信号降噪处理算法和模态参数识别算法进行了相应的改进。一方面,提出一种新的信号自适应分解与重构算法,即自适应总体平均经验模态分解算法（AEEMD）,该算法相比总体平均经验模态分解算法（EEMD）而言,能够根据信号的自身特征自动化确定添加白噪声的幅值标准差和集成平均次数|能更好地处理端点效应|同时还能够保证所得本征模态函数之间不存在模态混叠现象|最终实现有效IMF分量的自动化筛选和信号重构。另一方面,将多维数据聚类分析算法引入随机子空间算法中,并以频率值、阻尼比以及振型系数为因子建立判别矩阵,以智能化区分虚假模态和真实模态,最终实现模态参数自动化识别。文章最后分别用模拟信号和实际桥梁测试信号对所提算法的有效性进行验证,结果表明,该文所提算法能运用于实际桥梁结构的模态参数自动化识别。     

一种用CEEMDAN和排列熵去除脉搏信号噪声的方法

为去除脉搏信号中的噪声,提出了一种将自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和排列熵(permutation entropy,PE)相结合的方法。首先由HK-2000C脉搏信号传感器采集信号,对采集的脉搏信号用CEEMDAN得到一系列的本征模态分量(intrinsic mode function,IMF);然后计算各个本征模态分量的排列熵值,根据排列熵值选定阈值,确定并处理代表噪声的本征模态分量;最后对处理后的模态分量进行重构,从而消除脉搏信号中的噪声。实验结果表明,与经验模态分解(empirical mode decomposition,EMD)去噪方法和集合经验模态分解(ensemble empirical mode decomposition,EEMD)去噪方法相比,所提方法对脉搏信号去噪的效果更好。     

基于VMD-HS-BP的建筑光伏发电功率预测模型

本文提出了一种基于VMD-HS-BP神经网络的光伏发电功率预测模型.利用相关性分析法选出相关性高的输入变量,使用VMD将原始数据分解为多个模态分量,利用和声搜索算法优化BP神经网络权值,用优化后的神经网络预测各分量,将分量预测值叠加得出光伏发电功率预测值.实践结果表明,VMD-HS-BP预测模型能达到更高的预测精度,更贴近光伏发电的实际运行功率.     

基于VMD-Hilbert变换的铁路路基填料振动压实动力响应研究

以京雄城际铁路路基填筑所采用的粗粒土填料为例,开展表面振动压实试验,研究不同振动频率和激振力组合下填料的干密度阈值。随后,采用变分模态分解(VMD)–希尔伯特(Hilbert)变换研究压实过程中振动设备与填料间的非线性动力响应,并基于能量守恒定律分析压实过程的能量变换,利用加速度信号的Hilbert边际谱能量评价填料的压实程度。研究结果表明：填料的干密度在表面振动压实试验中呈现出为“迅速增长,缓慢增长,保持稳定”的变化趋势,且在不同压实工艺参数下,填料所能达到的干密度阈值不同。利用变分模态分解(VMD)算法对加速度信号进行分解,可以精确地识别和分离出基波与各次谐波分量,且不存在模态混叠。分析Hilbert变换得到的加速度信号Hilbert谱和Hilbert边际谱得到压实过程中加速度信号能量在时频域上传播规律,表现为低频基波分量向高频谐波分量的转移。此外,激振头加速度信号的Hilbert边际谱能量与填料的干密度之间存在高度相关的对数关系,采用VMD分解后的振动信号Hilbert边际谱能量评价填料的压实程度是可行的。     

基于VMD-KPCA的轴承设备在线监控

针对轴承运行工况复杂且采集的信号受噪声影响较大,难以提取有效的故障特征并准确进行故障监测的情况,提出基于变分模态分解（VMD）和核主元分析（KPCA）融合的方法对轴承设备进行在线监控。该方法利用相关系数表征VMD得到各本征模态函数与原振动信号之间的关联程度,选择实相关的分量进行重构,提取重构信号的时、频域特征输入到KPCA模型中,结合热尔连T平方统计量（T2）和平方预测误差统计量（SPE）对轴承设备进行实时故障监测。根据已有的公开试验轴承振动数据集,通过试验分析发现,提出的方法对轴承设备的监控效果较好,能有效地监测出轴承设备发生的故障。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

基于联合采用EMD与高通低通滤波的信号分析

提出一种基于Hilbert-黄变换改进的信号分析方法。实验表明经验模态分解(EMD)方法在大多数情况下分解的结果都与人们的直观感觉相符合。但实验也发现,常规的EMD分解方法无法将频率存在2倍关系内的信号分量分离而可能导致分量模态混叠。为解决模态混叠问题,我们先将原始信号通过高通低通滤波分为两组。之后,再对两组信号分别进行经验模态分解,并进行频谱分析。经过实验验证,使用该方法可以有效地将存在二倍频率内的信号分离开来,达到消除本征模态函数(IMF)的混叠的效果。     

炮膛磨损信号的经验模式分解相关性降噪

针对传统降噪方法在炮膛磨损信号处理中的局限性,在经验模式分解方法的基础上,提出了一种新的炮膛磨损信号相关性降噪法。该方法利用经验模式分解法对炮膛磨损信号进行分解,并依据信号相关性原则,选取分解后的本征模态函数进行重构,从而达到降噪的目的。对某高炮炮管磨损信号进行了经验模式分解相关性降噪实验,研究结果表明:该方法能够有效地减少信号中的干扰成分,提高了信噪比,增加了测量精度。     

基于LCD和MCKD的轴承故障诊断

针对振动信号故障特征频率微弱且难以提取的问题,提出基于局部特征尺度分解(local characteristic-scale decomposition,LCD)和最大相关峭度反卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的故障诊断方式。通过对待测信号进行LCD分解,得到一系列的内禀尺度分量(intrinsic scale component,ISC),并根据相关系数,即峭度的筛选原则选择重构所需的真实分量。再利用MCKD对重构信号进行降噪处理,最后对降噪后的信号进行包络解调,提取故障特征信息。实验证明该方法在轴承故障诊断上具有一定的可行性。     

基于VMD和CNN的滚动轴承故障定量诊断方法

针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。     

EEMD和SVM相结合的储层流体识别模型

针对深层储层地震响应微弱、含气性识别困难的问题,提出了一种基于聚合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)的地震属性提取及储层含气性识别方法。对地震信号运用EEMD方法进行分解,得到一系列本征模态函数(intrinsic mode function,IMF)。优选具有强相关性的本征模态函数重构特征子信号提取地震属性。通过相关性和R型聚类分析评估地震属性,最终选取4种相对独立的属性作为SVM的输入特征参数,并利用粒子群优化(particle swarm optimization,PSO)算法优化参数后得到的SVM模型实现对储层含气性的识别。实验结果表明,所提方法能够有效地提取储层地震属性及进行含气性识别。     

基于ESMD的局部放电信号自适应去噪方法

检测电力设备的绝缘缺陷对确保电网安全可靠运行具有重要意义，但电力设备信号易受到现场噪声干扰。因此，抑制局部放电信号背景噪声是准确诊断电气设备绝缘状态的关键问题之一。本研究提出了一种自适应阈值辅助极点对称模态分解(ESMD)的自适应去噪方法，采用ESMD对局部放电信号进行分解得到一系列模态分量，构建基于相关系数和峭度自适应重构准则，以减小噪声干扰对局部放电特征的影响；针对重构的局部放电信号，引入自适应阈值进一步去除重构信号中的残余噪声，从而实现干扰抑制。本算法分别针对局放仿真信号和现场实测信号进行了去噪实验，结果表明，基于ESMD的自适应去噪算法能够有效抑制噪声干扰，保留局部放电信号特征，波形相似系数接近1,提高了局部放电检测的准确性。     

工程机械齿轮箱复合故障诊断研究

针对工程机械中齿轮箱复合故障信号受实际工况下强噪声影响的问题,本文提出集合经验模态分解(EEMD)和小波包进行故障诊断。首先对采集的信号进行降噪,其次运用EEMD方法对降噪信号进行分解,最后采用快速独立分量分析(FastICA)对重构信号进行分离提取。通过实测验证表明,此方法在齿轮箱故障诊断上可行。     

基于改进MCPP的时变系统模态参数识别

基于多尺度线性调频原子路径追踪及多项式相位信号幅值估计理论的基础上,针对时变系统提出一种模态参数识别的方法。首先,该方法对响应信号划分动态时间支撑区;在每一个支撑区上追踪投影最大的线性调频原子;按照最优连接路径对原子进行连接;采用二次拟合方法对分量信号幅值进行拟合逼近;最后得出分量信号幅值及瞬时频率识别系统的模态参数。刚度和阻尼复杂变化模态参数识别仿真算例表明,改进方法相对原方法提高了识别精度,具有更为广泛的工程应用前景。     

协方差驱动随机子空间算法的梁桥模态参数识别

基于状态空间系统识别理论和算法,对随机子空间识别算法的特性,适用性及其在桥梁模态参数识别中的应用进行了研究。首先由QR分解计算由系统输出组成的Hankel矩阵,并构建基于输出的自协方差Topelitz矩阵,再对该矩阵进行奇异值分解（SVD）,获取系统的可观测矩阵及可控制矩阵,依据协方差驱动的随机子空间算法构建结构离散状态矩阵并进行特征值分解,从而识别结构的模态参数。编制了协方差驱动随机子空间算法识别桥梁结构模态参数的M atlab程序,以某三跨连续梁桥梁的模态参数识别为例,验证了方法的可靠性和可行性。结果证明,协方差驱动随机子空间算法可应用于实际桥梁的模态参数识别中。     

基于VMD-Hausdorff算法的小电流接地系统单相接地故障保护方法

为消除中性点接地方式、故障点过渡电阻阻值以及现有保护方法盲区等因素对小电流接地系统单相接地故障保护准确性的影响,提出了一种基于暂态信息量幅值特征差异,结合变分模态分解(Variational Mode Decomposition, VMD)与Hausdorff距离算法的单相接地故障保护方法。首先,通过分析单相接地故障暂态过程,明确了健全线路、故障线路出口侧以及健全区段、故障区段两端暂态零序电流幅值特征关系。其次通过变分模态分解提取暂态高频信号,并引入Hausdorff距离算法,计算零序电流暂态分量的幅值匹配度,通过与预设动作阈值比较,可有效判断故障线路与故障区段。仿真结果验证,本研究所提方法不受中性点接地方式与噪声干扰的影响,对于不同过渡电阻的接地故障均能准确判断故障线路与故障区段,仿真数据与实际故障录波均验证本研究所提方法具有较高的可靠性。