基于WOA-VMD改进的信号盲源分离研究及应用EI北大核心CSCD

准确有效识别出水电站厂房振动信号的各个振源,对于水电站长期安全稳定运行有重要指导意义,盲源分离(blind source separation,BSS)是进行信号分解与振源识别的一种有效方法。为了实现水电站厂房复杂环境下振动信号的盲源分离,建立一种基于鲸鱼算法变分模态分解(whale optimization algorithm and variational mode decomposition,WOA-VMD)降噪改进的信号盲源分离模型。采用WOA-VMD和相关法对观测信号进行降噪处理,确保盲源分离结果的准确性;求解多维降噪信号的协方差矩阵并进行奇异值分解,采用优势特征值法进行源数估计;最后对降噪信号进行中心化、白化前处理,通过联合近似对角化算法得到分离矩阵,实现观测信号的盲源分离。仿真结果表明:相较于传统盲源分离模型,改进模型将分离信号与源信号的相关系数分别提升了9.1%,7.1%,8.3%,分离信号主频误差也均有所降低。将该方法运用到水电站厂房振动工程实例,也取得了较好的分离效果。     

基于CEEMD和小波包阈值的组合降噪及泄流结构的模态识别方法

水流荷载激励下,泄流结构模态识别的实测振动信号常受噪声干扰。以往EEMD算法有添加白噪声造成非标准IMF导致的模态分裂问题及IMF有噪声残余不能完整重构信号的完备性问题。而完备总体经验模态分解(CEEMD)法,通过在信号分解的每一层面添加特定高斯白噪声,利用分解后第一阶分量加总平均得到唯一余量计算固有模态函数,克服了EEMD的缺点;同时提出CEEMD与小波包阈值结合的组合降噪方法,运用到向家坝水弹性模型实测振动信号降噪中,验证了该组合方法降噪的有效性;为了提高带噪振动响应模态识别的精度,基于数据相关技术,利用Markov参数构造相关矩阵R,用该相关矩阵重构Hankel矩阵后SVD分解得到系统最小实现,即数据相关特征系统实现法(ERA/DC)。将滤波降噪结合模态识别的整套方法,应用到锦屏一级拱坝的泄流实测振动响应中,得到了较好的应用效果。     

基于LMD-MFE-SVD的松动爆破降噪分析

为提高松动爆破振动信号分析精度，在局部均值分解(LMD)的基础上，建立一种基于局部均值分解(LMD)-多尺度模糊熵(MFE)-奇异值滤波(SVD)的混合去噪方法。使用LMD方法对松动爆破振动信号进行分解，获得一系列乘积分量(PF);通过计算MFE和相关系数，对爆破振动信号进行初步降噪；针对主要PF分量的残留噪声，使用SVD滤波进行降噪处理，提取真实信号成分。通过上述处理，最终实现松动爆破信号降噪。结果表明：提出的LMD-MFE-SVD降噪方法具有可行性和应用价值，能够对含噪的PF分量进行有效处理；对于含多信号成分、多噪声的仿真信号，LMD类算法相较EMD类改进算法降噪效率更高，信噪比(SNR)、均根方误差(RMSE)和失真百分比(PRD)指标表现显著提升，而相较LMD算法，提出的LMD-MFE-SVD算法降噪效率进一步提高，依次提升11.73%、22.07%和9.25%,降噪效率显著；根据实测松动爆破振动信号去噪后的波形和频谱对比，提出的LMD-MFE-SVD降噪后的信号波形更为集中，能保留多数信号信息，信号频谱图更为清晰，有效显示信号频率波峰，更利于松动爆破振动信号的特征分析。     

LMD滤噪算法及在旋转机械转子故障诊断中的应用

利用噪声统计特性及局部均值分解算法(local mean decomposition, LMD)在信号分解过程中的自适应性,提出了一种新的基于LMD的自适应滤噪算法。该算法完全由数据驱动,可对信号自适应降噪,并将降噪后的信号分解为若干个瞬时频率具有物理意义的 PF (Product function)分量。重构的信号可有效提高功率谱故障诊断的性能。通过对2种非平稳信号的仿真实验及在实际运行状态下采集的旋转机械转子振动信号降噪的应用,结果表明提出的算法降噪性能优于中值降噪、均值降噪、小波降噪、EMD软阀值降噪等典型滤噪算法。该算法也可在频域有效地用于旋转机械转子故障的诊断。     

基于CEEMD与自适小波阈值组合降噪在OPAX方法的应用

针对如何从降噪的角度去提高扩展工况传递路径分析(OPAX)方法的分析精度,提出运用互补集合经验模态分解(CEEMD)与自适小波阈值相结合的降噪方法。采用样本熵将分解后信号的本征模态分量划分为噪声、含噪和信号分量。剔除噪声分量,将不同含噪分量的样本熵归一化后作为调参参数并应用于新构造的小波阈值函数,通过含噪情况调整阈值函数来提高降噪效果,并将降噪后的含噪分量跟信号分量一同重构得到完整信号,运用仿真计算验证上述方法能最大程度保留原始信号的完整性。应用到OPAX模型中,对其工况数据(时域振动信号)进行降噪,与其他降噪方法一同对比发动机二阶情况下目标点的计算的合成响应与实测响应,发现CEEMD与自适小波阈值组合降噪改进的OPAX方法吻合程度较高,效果较优。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

一种水电厂房振动模态参数识别方法

水电厂房的振动是机械力、电磁力、水力脉动共同作用的结果,其动荷载很难测得,结构模态参数识别的难度不言自明。为解决以上困难,提高厂房结构振动模态参数识别的精度,在厂房结构各种荷载未知的情况下,将突然停机工况下动荷载释放后的振动信号,利用随机减量法提取自由衰减信号成分,以基于ARMA模型参数识别法实现了对某大型水电站厂房低阶模态参数的识别。识别结果表明,随机减量法和ARMA联合分析方法是解决大型复杂厂房结构动态参数识别的有效方法,识别结果可用于结构物的健康监测和振动控制中,同时该方法在大型水电站厂房振动模态参数的在线识别领域中具有广阔的工程应用前景。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取EI北大核心CSCD

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

基于SSWD优化LMD的高速电梯滚动导靴振动信号特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取高速电梯滚动导靴振动信号故障特征分量的模态混淆现象,提出一种基于自适应增强小波分解(SSWD)优化LMD的高速电梯滚动导靴振动信号特征提取方法。该方法构建低通滤波器、高通滤波器、小波基函数、尺度函数,利用小波分解(WD)的多分辨率滤波特性将原始信号分解为高频细节特征信号和低频近似信号;对高频细节特征信号进行信号增强、将增强后的高频细节特征信号与低频近似信号进行重构;采用LMD从重构信号中提取能够表征滚动导靴故障特征PF分量,求取PF分量的瞬时Teager能量波形进行对比分析。通过对实际工况信号处理、分析,实验结果表明,相比于SVD优化LMD方法,该方法完整地提取了滚动导靴振动信号的故障特征分量,避免了模态混淆现象出现。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

基于HHT方法的钻头振动信号识别

钻头振动波方法进行丛式井防碰监测时,提出将HHT方法应用于钻头振动信号处理,应用峭度准则及互相关系数准则对钻头振动信号降噪,通过时频分析准确识别出海上复杂条件下的钻头振动信号。首先应用EMD(Empirical Mode Decomposition)分解可以将复杂环境下的钻头振动信号分解为固有模态分量,采用峭度准则、互相关系数准则筛选信号进行降噪处理获得主要冲击成分并重组信号,然后通过Hilbert变换得到边际谱和瞬时频率,判断不同通道的信号来源,提取主要公共频段作为钻头振动信号。根据滤波后信号的能量建立钻头趋近风险邻井的防碰模型,通过海上丛式井防碰的现场数据验证了该方法的有效性。     

小波包降噪与LMD相结合的滚动轴承故障诊断方法

局部均值分解(Local mean decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了本文方法的有效性。     

基于LMD样本熵与SVM的往复压缩机故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD样本熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法将各状态振动信号分解为一系列PF分量,依据相关性系数选择其中代表故障状态主要信息的PF分量,计算其样本熵形成有效的特征向量。使用SVM作为模式分类器,诊断得出轴承间隙故障类型。同LMD与近似熵方法所提取特征向量进行对比,结果表明本文方法具有更高的识别准确率。     

基于方差贡献率的泄流结构多测点动态响应融合方法研究

泄流结构不同测点的振动信号频率成分和噪声水平不尽相同,通过信息融合,可将多测点振动信号融合为一个能准确、全面反映结构整体振动特性的振动信号。针对传统数据融合算法对信号相似度要求高以及固定融合系数的缺陷,提出了基于方差贡献率的结构动态响应数据融合算法,不同时间的融合系数随该点的方差贡献率而变化,根据该时刻信息的相对重要程度动态分配权重系数,实现多测点振动信号的动态融合。通过对数学模拟信号及泄流结构原型观测动态响应数据融合结果表明:提出的动态数据融合方法能够挖掘噪声中的微弱信号,使融合后信号能够更加准确、全面的反映结构的整体振动特性;该方法与传统互相关融合算法对比表明,方差贡献率算法能够有效凸显信号中的优势频率成分,保留原信号的结构固有频率成分,具有更强的适用性。     

基于局部均值分解的循环频率和能量谱在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量谱方法.采用LMD方法能将齿轮振动信号自适应地分解为若干个单分量...     

爆破振动信号的局部波分解方法

针对爆破振动信号具有非线性、随机性较强的特点,提出利用局部波分解(Local Mean Decomposition,LMD)处理并分析爆破振动信号。结合露天铁矿逐孔起爆方式下爆破振动测试信号分析,研究信号的时频及能量分布特征。结果表明:LMD方法能完整地分解重构爆破信号,有效减少模态混叠现象,更加真实反映信号的原始信息;相比经验模态分解方法(Empirical Mode Decomposition,EMD)、LMID方法的端点效应轻微,具有较高的解凋精度;LMID方法可以精确分析振动能量的分布规律,有利于进一步识别爆破本身的力学作用特征。     

基于局部均值分解的电压暂降检测新方法

提出了利用局部均值分解(LMD)方法对电压暂降进行检测和分析的新方法,该方法利用分解所得的瞬时幅值和瞬时频率进行电压暂降幅值、频率的检测以及扰动起止时刻的定位。针对LMD方法存在的"端点效应"问题,提出一种波形延拓新方法——横纵向比例延拓法。在进行电压暂降的检测时,首先对原始信号进行提升小波降噪,然后对去噪信号进行横纵向比例延拓,继而对延拓后的信号进行LMD分解,将分解得到的乘积函数分量按原信号对应的时刻进行截取,得到改善端点效应后的分解结果,最后,从LMD分解后得到的瞬时幅值和瞬时频率提取电压暂降的特征信息。与希尔伯特-黄变换的检测结果进行了比较,结果表明所提出的电压暂降检测方法是可行、有效的,可为进一步进行电压暂降源扰动识别提供依据。     

爆破振动信号的局部波分解方法

针对爆破振动信号具有非线性、随机性较强的特点,提出利用局部波分解(Local Mean Decomposition,LMD)处理并分析爆破振动信号。结合露天铁矿逐孔起爆方式下爆破振动测试信号分析,研究信号的时频及能量分布特征。结果表明:LMD方法能完整地分解重构爆破信号,有效减少模态混叠现象,更加真实反映信号的原始信息;相比经验模态分解方法(Empirical Mode Decomposition,EMD)、LMID方法的端点效应轻微,具有较高的解凋精度;LMID方法可以精确分析振动能量的分布规律,有利于进一步识别爆破本身的力学作用特征。     

局部均值分解方法及其在齿轮故障诊断中的应用

研究了一种新的自适应时频分析方法--局部均值分解LMD(Local mean decomposition)方法.并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法.LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号.在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断.