VMD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,相互独立的固有模态函数（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。     

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.     

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.     

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。     

改进VMD对称镜面图在消毒机器人故障诊断中的应用

针对消毒机器人电机转子故障振动信号的非平稳性，以及常用时频分析技术无法全面获取信号特征的问题，提出一种基于改进变分模态分解(VMD)对称镜面图与模糊神经网络的故障诊断方法.采用VMD分解转子振动信号，给出分解过程中关键参数的选取方法；根据综合评价因子法选取对信号特征敏感的固有模态函数(IMF),重构信号；采用对称极坐标法，将重构信号转化为镜面对称图，通过灰度共生矩阵提取图像特征以形成状态特征向量，输入模糊神经网络，实现转子故障诊断.对比实测信号及常见信号分析方法可知，提出的方法具有更准确的信号特征提取能力.     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

基于VMD和SVM的家用空调外机故障识别研究

运用泄露能量确定变分模态分解(VMD)预设分解个数K值。计算本征模态函数(IMF)自相关函数的能量集中比和IMF分量与原信号的相关系数,定义Q为能量集中比与相关系数的比值,提出一种用Q值判断噪声IMF分量的新方法。利用粒子群算法(PSO)优化核函数为径向基函数(RBF)的支持向量机(SVM)的惩罚因子C和σ参数。对家用空调外机4种工况进行模式识别,识别正确率达到98%。     

基于GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。     

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。     

VMD-HD-KT去噪法在管道泄漏信号中的去噪应用

针对变分模态分解(VMD:Variational Mode Decomposition)难以选取预设尺度K和其分解后难以区分有效模态和噪声模态的问题,提出了一种由豪斯多夫距离(HD:Hausdorff Distance)确定K和肯德尔相关系数(KT:Kendall’s Tau)确定有效模态的联合准则方法(VMD-HD-KT),并将其应用于天然气管道泄漏信号去噪。首先,计算K=2～8 h最后一个模态与原始信号的HD,通过评估HD确定K,然后输入K值进行VMD分解,将原始信号分解成K个具有不同特征时间尺度的固有模态函数(IMF:Intrinsic Mode Functions),选取K_KT大于0.1的IMF作为有效模态,最后进行信号重构。实验结果表明,VMD-HD-KT算法可以准确选取K值和有效模态,对仿真信号和管道泄漏信号有较好的去噪效果。     

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。     

基于变分模态分解与近似熵的输电线路两相接地故障诊断

针对现有电力系统输电线路故障信号分析方法中,存在故障信号特征遗失等问题,提出一种基于变分模态分解(VMD)-近似熵(Ap En)的两相接地故障诊断新方法。首先选取故障点处容易获取的相电压信号作为故障信号;然后对各相故障信号进行VMD分解得到其分量,进一步提取各相IMF分量的近似熵值并作为一个特征向量。通过分析各相特征向量的模值,最终诊断出输电线路两相接地故障所在相。选取IEEE 5节点标准测试系统验证;并与EMD-Ap En算法进行比较。实验结果表明,提出的VMD-Ap En方法准确可靠,避免了EMD分解时产生模态混叠的现象;更能有效地诊断出输电线路两相接地故障所在相,具有较好的实用性。     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。