改进的PSO-VMD算法及其在管道泄漏检测中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题,将粒子群(PSO:Particle Swarm Optimization)与VMD算法结合,提出一种基于混沌和Sigmoid函数改进PSO的优化算法.利用改进的PSO算法优化VMD的分解模态数κ和惩罚因子α,进行模态分解,然后计算各模态分量概率密度函数与信号概率密度函数之间的欧氏距离(ED:Euclidean Distance),选取有效模态分量重构信号.实验结果表明,该算法与VMD-CORR(Variational Mode Decomposition-Correlation Coeffificient)算法和EMD-ED(Empirical Mode Decomposition-Euclidean Distance)算法相比,仿真信号和实际管道泄漏信号都得到了较好的去噪效果,并验证了其在管道泄漏检测中的有效性.     

LHBA优化VMD降噪算法及在管道泄漏信号中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法在分解信号时参数选择不准确导致降噪效果不理想的问题,提出一种改进的蜜獾优化算法(LHBA:Levy Honey Badger Algorithm)与VMD结合的降噪算法。首先,利用LHBA算法优选VMD的分解模态数K和惩罚因子α;其次,利用优化后的参数进行VMD信号分解;最后,计算各模态分量与原始信号之间的豪斯多夫距离(HD:Hausdorff Distance),选取有效模态分量进行信号降噪处理。实验结果表明,该算法与HBA(Honey Badger Algorithm)-VMD、 GA(Genetic Algorithm)-VMD和PSO(Particle Swarm Optimization)-VMD相比,其4种评价指标均优于其他对比算法,具有较好的降噪效果,验证了该算法的有效性和先进性。     

基于改进VMD和CNN的滚动轴承故障诊断方法

针对现场采集的滚动轴承信号易受噪声影响而使微弱故障特征难以提取的问题，基于灰狼优化算法(GWO)、变分模态分解(VMD)和卷积神经网络(CNN),提出了一种滚动轴承故障诊断的新方法.首先，利用GWO优化VMD实现其分解层数及二次惩罚因子2个重要参数的自适应选择；其次，提出有效加权相关稀疏度指标(EWCS),并以此筛选VMD分解的有效本征模态函数(IMF);最后，使用GWO优化CNN参数，并采用2层卷积模块的CNN进行识别分类.基于所提方法，对滚动轴承4种不同运行状态的样本进行了分类识别，并与其他几种诊断方法进行比较.结果表明，该方法用于滚动轴承故障诊断是可行的，且具有更高的分类准确率.     

参数自适应VMD在高速列车轴箱轴承故障诊断中的应用

针对高速列车轴箱轴承故障特征提取困难和变分模态分解(VMD)参数的人为设置影响分解效果的问题,提出参数自适应VMD轴箱轴承故障诊断方法。首先,以平均包络谱熵为适应度函数,利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α;其次,对原始轴承时域信号进行VMD分解,利用快速谱峭度图分析最小包络熵的IMF分量,并根据分析结果对该IMF分量进行带通滤波以增强故障特征;最后,对滤波后信号进行希尔伯特包络解调分析,并将分析结果与理论计算所得特征频率进行对比,对轴箱轴承故障进行分类辨识。研究结果表明：与经验模态分解(EMD)、局域均值分解(LMD)、集合经验模态分解(EEMD)等自适应信号分解方法相比,本文所提方法能更有效地降低噪声的影响,提取复杂耦合工况下轴箱轴承振动信号中的故障特征。     

基于变分模态分解算法的单通道无线电混合信号分离

针对复杂电磁环境下单通道无线电混合信号分离困难及分离精度不高的问题,提出2次使用变分模态分解(VMD)算法对单通道无线电混合信号进行分离的方法.首先利用VMD算法对单通道无线电混合信号进行粗分离,并将VMD算法与总体平均经验模态分解(EEMD)算法进行对比,得出前者分离出的信号在时域、频域及信噪比和相似系数等方面均比后者取得的对应结果效果好的结论.然后对VMD算法的参数利用改进的量子粒子群优化算法进行优化,确定所需分量个数和惩罚因子的值.最后对VMD算法分离后的信号使用参数优化后的VMD算法进行细分离.数值模拟和实验信号分析结果均表明,再次分离后所得到的信号精度较利用VMD算法对单通道无线电混合信号进行粗分离时更高,证明了所提算法对单通道无线电混合信号分离的有效性.     

一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.     

一种基于变分模态分解参数优化的轴承故障诊断方法

为解决变分模态分解方法在提取齿轮箱滚动轴承的故障特征频率时受模态个数和惩罚项系数影响的问题,提出了一种基于人工鱼群算法优化变分模态分解的轴承故障诊断方法.首先,利用人工鱼群算法优化变分模态分解方法的模态个数和惩罚项系数;其次,故障振动信号经优化的变分模态分解方法分解,获得若干模态分量;最后,筛选包络熵值最小的分量进行包络分析,提取故障特征频率.实验结果表明:在优化参数过程中,寻优收敛时间缩短46％,并最终有效提取轴承故障特征频率.研究结果可解决变分模态分解方法受参数影响的问题,实现轴承故障诊断,具有实际意义.     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

改进变分模态分解在发动机气门间隙异常故障诊断中的应用

基于振动监测信号的故障诊断技术,对于船舶、油气田、核电等关键领域中大型高速柴油机的健康管理和智能运维具有重要意义。针对柴油发动机气门间隙异常故障,提出了基于振动数据驱动的故障诊断方法。首先,提出模态数量和惩罚因子均为自动优选的改进变分模态分解（VMD）方法,克服了传统VMD方法中上述参数需凭经验预设的缺点;进一步,对VMD分量进行多域特征提取,利用核密度估计方法进行特征敏感性的排序和选择;最后,构建全连接网络分类模型,将优选后的故障敏感特征通过分类模型进行故障识别。利用故障模拟实验台验证了不同工况下的气门间隙异常数据,结果表明本文所提的基于改进变分模态分解的气门间隙异常诊断方法故障识别率超过86%,具有良好的应用效果。     

云相似度测量的变分模态分解去噪方法

为区分VMD( Variational Mode Decomposition) 分解后高低频段模态分量,提高VMD 算法的去噪效果, 提出一种基于云相似度测量的VMD 去噪方法。首先,对信号进行VMD 分解,通过计算各个模态分量与信号之 间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量 进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD 去噪法和基于互信息的VMD 去噪 法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28． 214 1 dB,均方误差相对较低,为 6． 12 × 104 ,验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。