VMD参数优化及其在轴承故障特征提取中的应用

针对群优化算法对变分模态分解所需模态数和二次惩罚项参数寻优效率较低的问题,提出了快速局部均值经验模态分解的信号预处理方法.对预处理后的模态分量根据相似系数准则进行模态数预估,同时利用多评价指标选择二次惩罚参数.针对VMD对故障信号中存在的固有振动高频带分解效果较差的问题,利用自相关能量函数实现降噪和减小高频带的影响.通过仿真实验和实测轴承故障数据分析,并与群优化算法选择参数以及中心频率相近选取模态数的VMD分解效果相比,该方法能有效提取故障信号的特征频率.      

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V...     

改进的变分模态分解在锚杆和锚固质量检测中的应用

针对锚杆电磁超声信号夹杂的噪声极大地影响有用信息提取的问题,提出基于布谷鸟搜索算法的变分模态分解与独立分量分析相结合的降噪方法;该方法利用布谷鸟搜索算法优化变分模态分解的输入参数,实现信号的最优分解,利用变分模态分解将信号自适应分解为一些模态分量,依据排列熵值对分解的模态进行重构,利用快速独立分量分析算法对重构信号与原信号组成的2路通道进行解混,实现回波信号与噪声信号的分离,并对锚杆和锚固信号数据进行分析。结果表明,与常用的降噪方法相比,该方法有更好的抗噪性和降噪效果。     

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.     

PSO VMD结合Teager包络谱的滚动轴承 故障诊断方法

为了解决VMD方法在处理非平稳信号时,人为确定输入参数会影响模态分解精度的问题,提出一种基于PSO算法优化VMD输入参数的PSO VMD方法,用于滚动轴承故障信号的模态分解,并使用Teager能量算子(TEO)对模态分解结果进一步计算,得到各模态分量的Teager包络谱.通过滚动轴承内环单点故障、外环单点故障和滚子单点故障实测振动故障信号的模态分解与故障诊断,验证PSO VMD方法的有效性和实用性.     

基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和低信噪比的特点,提出基于变分模态分解(VMD)排列熵和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法;该方法利用VMD对信号进行预处理,可得若干本征模态分量(IMFs),根据包含故障信息的数量筛选出有效IMFs,求其排列熵构造特征向量,建立支持向量机的滚动轴承故障诊断模型,并用粒子群算法优化参数,以提升分类性能;在滚动轴承故障诊断实例中,通过与VMD结合SVM和集成经验模态分解(EEMD)结合PSO-SVM进行对比。结果表明,本文中提出的方法故障诊断的准确率更高。     

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.     

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.     

基于匹配追踪和变分模态分解的电气化铁路谐波检测

为了治理牵引供电谐波问题,将变分模态分解(VMD)算法运用到电气化铁路的谐波检测中,提出一种基于匹配追踪(MP)算法和VMD算法的牵引供电系统谐波检测方法;该方法利用MP算法将原始信号稀疏分解并降噪,运用VMD算法实现各模态的有效分离,通过快速傅里叶变换得出特征信息。仿真实验结果和实测数据表明了该方法的有效性,与现有的几种谐波电流的检测方法进行对比分析,证明该方法能够更准确地检测出牵引供电系统的谐波含量。     

VMD-SCT-GMF滤波算法

针对天然气管道发生泄漏时信号受到强烈的噪声干扰难以准确提取有用信号的问题,提出一种变分模态分解(VMD:Variational Mode Decomposition)结合变点理论(SCT:Statistical Change-point Theory)和广义形态滤波(GMF:Generalized Morphological Filtering)的有效信号去噪方法(VMD-SCT-GMF).该方法首先利用 VMD 对信号进行分解得到若干个模态分量,然后计算各模态分量的自相关函数绝对值均值并结合变点理论区分出噪声模态和有效模态,重构有效模态分量作为去噪后信号,最后通过广义形态滤波器进一步滤波得到去噪后的信号.实验结果表明,所提出的方法与基于VMD结合豪斯多夫距离去噪方法、VMD结合互相关系数和小波的去噪方法、基于互信息的VMD去噪方法相比,去噪效果更佳.     

基于改进软签名的心率检测算法研究

针对软签名算法用于心率检测存在心率信号强度微弱、噪声大、心率检测精度差等问题,提出了基于改进软签名的心率检测算法.首先采用RG通道色差法将R和G颜色通道信号进行加权相减,并对所得色差信号进行多方向投影来选择较为干净的心率信号;然后变分模态分解(VMD)与小波系数非线性连续函数衰减的联合降噪算法对心率信号降噪,将VMD分解后的信号使用峭度法选择含心率信号较多的分量,随后对该分量使用小波系数非线性连续函数衰减算法进行降噪.最后对信号进行频谱分析,计算出心率值.实验结果表明:改进的软签名算法能有效增强心率信号强度,消除信号噪声,相比于常用的心率检测算法有更高的心率检测精度和鲁棒性.     

基于改进变分模态分解和小波阈值法的单相接地故障电流降噪

针对电力系统输配电线路发生单相接地故障时,电气设备间的电磁环境复杂,现场环境干扰严重导致故障录波装置采集到的故障零序电流信号含有大量噪声,影响后续选线准确率的问题,提出了一种改进VMD和小波阈值法联合的单相接地故障的零序电流降噪方法,通过北方苍鹰优化算法优化改进变分模态分解（VMD）对零序电流信号分解,引入自适应相关阈值对分解后的分量进行筛选,对噪声分量进行小波阈值法降噪,最后将信号进行重构。通过搭建模型进行仿真实验,所提算法比传统VMD降噪算法信噪比提高了5.52%~35.99%,均方根误差降低了12.78%~30.88%,与小波阈值降噪方法、EEMD-小波阈值降噪方法、CEEMDAN-小波阈值降噪方法相比,也都有明显的优势,并且在标准测试信号Heavy Sine信号和Bumps信号中进行实验验证了算法的适用性。     

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.     

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。     

PSO-VMD-SVD的改进去噪方法研究

针对VMD(Variational Mode Decomposition)在处理信号时,模态个数K和惩罚参数α的选择会影响信号分解的效果,提出一种改进PSO(Particle Swarm Optimization)优化VMD(PSO-VMD)的算法,通过改进阈值相关系数法选择有效模态分量,根据信号分析对高频噪声进行奇异值去噪重构.对仿真信号和管道泄露信号进行实验,通过选择多个K并结合相关系数法选择模态进行重构,比较不同K对应的重构信号与原信号的信噪比(SNR: Signal to Noise Ratio)、相关系数(CC:Coefficient)、平方绝对误差(SAE: Square Absolute Error)、均方误差(MSE: Mean Square Error)证明改进PSO优化VMD的可靠性.将该方法与改进的PSO-VMD结合豪斯特夫距离和奇异值(HD-SVD: Hustoff Distance-Singular Value Decompositio)、互信息和奇异值(MI-SVD: Mutual Information-Singular Value Decompositio)、相关系数和小波变换(CC-WT: Correlation Coefficient-Wavelet Transform)等方法对比,效果更佳.     

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MED和自适应VMD的行星齿轮箱故障诊断方法

为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

自适应秩收敛低秩算法压制沙漠地震随机噪声

针对沙漠地震记录中包含大量复杂噪声降低信噪比的问题,提出一种将变分模态分解(VMD:Variational Mode Decomposition)与混合高斯鲁棒主成分分析(MoG-RPCA:Mixture of Gauss-Robust Principal Component Analysis)相结合的自适应秩收敛去噪算法.首先利用VMD对含噪记录进行分解,将分解得到所有模态重排成一个新的信号矩阵,并对其进行MoG-RPCA低秩分解,当分解误差满足预设要求时提取有效低秩分量,最后将低秩矩阵中每一道信号的所有模态叠加并与含噪记录作差得到最终去噪结果.该方法既规避了 VMD模态取舍问题,同时对传统低秩分解进行自适应秩收敛,从而无需多次调整秩数大小.模拟实验和实际数据处理表明,该算法可以有效压制低频噪声,对有效信号幅度保持均能到达85％以上.     

基于VMD降噪的RV减速器故障诊断

针对RV减速器内部构造复杂、采集到的振动信号受噪声影响严重及低频故障特征难以提取的问题,提出一种基于小波降噪结合变分模态分解(Variational Modal Decomposition, VMD)的故障诊断方法。首先利用小波降噪法对含噪声的振动信号进行降噪;再通过变分模态分解得到不同频率范围的模态分量(Intrinsic Mode Function, IMF),计算各目标分量的峭度值和信噪比,选出目标分量并进行快速傅里叶变换(Fast Fourier Transform, FFT);最后通过减速器模数确定特征频率,可以准确定位RV减速器的故障点。结果表明：该方法较传统的频谱分析可以更有效地提取故障信息,解决了噪声干扰、低频信号调制等问题。