变分模态分解与Cohen核结合的时频分布交叉项抑制方法

在非平稳信号时频分析中,使用Cohen核所得时频分布的交叉项抑制与时、频分辨率难以兼顾。针对此,提出一种将变分模态分解(VMD)与Cohen核相结合的时频分析方法。首先对信号进行VMD分解,得到一组具有不同频率成分,相互独立的变分模态函数(IMF)分量;然后对每个IMF分量进行Cohen核时-频变换;再线性叠加重构出原始信号的时频分布。通过仿真分析,结果表明:该方法可以在保持时频分布中较高时、频分辨率的基础上,有效消除交叉项的干扰。     

基于VMD-PWVD的内燃机振动信号时频分析方法

针对Wigner-Ville分布(WVD)在分析多分量信号时交叉干扰项与时频聚集性相互矛盾的问题,提出一种基于变分模态分解的伪魏格纳分布法(VMD-PWVD),以抑制WVD分布中的交叉项。该方法首先对信号进行VMD分解,将信号在频域上进行剖分,得到一组相互独立的具有不同频率的固有模态函数(IMF)分量,然后对每个IMF分量进行PWVD分析,最后把各个IMF分量的PWVD分析结果线性叠加,重构原始信号的时频分布。仿真结果表明,该方法在有效地从频域和时域双向抑制WVD交叉项的同时,又保留了WVD分布法原有的优良特性。将VMD-PWVD应用于内燃机缸盖振动信号的时频分析中,能很好地刻画出不同工况信号的特征信息,各时频分量物理意义明确,是一种有效的时频分析方法。     

EMD与CWD结合在暂态电能质量扰动检测中的应用

针对Cohen类二次型时频分布存在的交叉项,提出一种基于EMD与Choi-Williams分布相结合的方法,利用经验模态分解将信号从频域上分离若干个固有模态函数经过去伪后进行Cohen分布的时频变换,将得到的结果叠加重构出原始信号的Cohen类时频分布.仿真结果表明,该方法能有效抑制时频分布的交叉项,保证Cohen分布的时频聚集性,提取扰动特征.     

EEMD和Cohen类联合抑制交叉项的时频特征提取方法

Wigner-Ville分布是一种双线性时频分布,对多分量信号分析存在交叉项干扰.本文提出了一种基于EEMD和Cohen类时频融合算法,该算法采用EEMD算法将信号从频域上分离为若干个固有模态函数之和,再对伪分量之外的各分量进行Cohen类时频变换并叠加,得到信号的时频分布,消除了信号内部各模态函数之间时频分布的交叉项.通过对EEMD和Cohen类时频融合算法进行仿真,与小波分解和Cohen类联合时频算法、EMD和Cohen类联合时频算法的仿真进行比较,结果表明,该算法抑制交叉项效果最好,重构误差最小,同时抑制了噪声对时频特征的干扰.     

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.     

基于自适应最优抛物线核函数的Wigner-21/2维时频表示算法

针对低信噪比条件下非平稳、非线性和非高斯信号的时频特征分析,提出了一种基于自适应最优抛物线核函数的Wigner-212维时频表示算法.采用依赖于特定时频点的二维时频局部模糊函数替代传统Cohen类高阶时频分析中通用的全局时频模糊函数;利用自适应核处理技术获得局部模糊函数的最佳抛物线核函数,以最大限度地抑制交叉项的影响,提高算法的时频分辨率和信号自适应性;通过合成信号和水声信号的仿真实验进行时频分析,并与现有时频算法加以对比.结果表明,在低信噪比条件下,所提出算法对瞬态信号的检测优势明显,能够取得优良的时频特征解析效果.     

基于VMD和HSA的水声跳频信号时频分析方法

针对水声通信中低信噪比条件下的水声跳频信号检测和参数估计问题,提出了一种新的基于变分模态分解(VMD)和希尔伯特谱分析(HSA)相结合的水声跳频信号时频分析方法。VMD是一种新开发的自适应信号分解技术,可以完全不递归地将多分量的信号分解成许多准正交的固有模式函数。首先重点分析了VMD算法,然后简单介绍了HSA方法,最后将VMD和HSA相结合的方法应用于水声跳频信号分析。利用数值模拟的水声跳频信号进行实验仿真,结果表明本文的方法可以获得高清晰度、高聚集性的时频图。     

Hilbert-Huang变换与大地电磁信号的时频分析

将Hilbert-Huang变换引入大地电磁信号的时频分析中,介绍HHT(Hilbert-Huang transform)时频分析原理及方法,给出仿真信号的经验模态分解及其时频分布,并对实测大地电磁信号进行HHT时频处理与剖析.研究结果表明:Hilbert能量谱随时频的具体分布具有很强的非稳态动态变换时频刻画能力;时频谱的时间、频率分辨率不受Heisenberg测不准原理的限制,且其时间、频率分辨率都很高,有很好的时频聚集性;HHT方法能用于描述大地电磁信号的非线性时变特征,是大地电磁信号时频分析的有效工具.     

基于VMD-AR谱的多轴转子系统故障特征信息提取方法

为了解决现有分解方法在近频部分产生模态混叠的问题,提高时变参数模型对故障信号直接诊断的准确性,研究了多轴转子系统的典型故障信号分析方法.提出了基于变分模态分解(VMD)和AR谱相结合的故障特征信号分析方法;采取瞬时频率均值法选取VMD中的分解模式数k.经VMD分解产生固有模态函数(IMFs),采用AR谱对IMFs分量进行特征提取,分析典型故障模式相对应的特征频带.结果表明:基于VMD-AR谱的故障特征提取方法解决了分解模式数k的选取难题,避免k值的经验选取;VMD能够抑制信号分解近频部分的模态混叠,而AR模型克服了Hilbert分离算法存在的加窗效应,在频带划分上具有较强的分辨率.该方法可有效进行故障特征提取,并为改进的粒子群优化算法的混合核支持向量机算法提供特征信息.     

基于VMD-CWT和CNN数控机床刀具健康诊断方法的研究

在数控机床切削过程中,刀具的健康状况直接影响产品的加工质量。因此,为了对刀具的健康状态作出诊断评价,本文提出了一种基于变分模态分解（VMD）和连续小波变换（CWT）特征提取与卷积神经网络（CNN）的刀具健康诊断方法。该方法首先采集不同健康状态下的刀具在切削时的振动信号,然后经VMD分解成若干IMF分量,并求解每个IMF分量的相关系数,选取相关系数较大的分量进行信号重构;其次采用连续小波变换来构造重构信号的时频图;最后将得到的时频图输入构建的CNN模型中,通过多层卷积、池化处理得到信号特征与刀具健康状态之间的准确映射,进而实现刀具的健康诊断。经实验验证表明,本文所提方法的识别准确率达到98.9%,具有良好的状态识别能力和泛化性,可为刀具健康诊断方法提供一定的理论依据。