基于VMD的振动模态固有频率识别

针对机械系统固有频率的识别问题,提出了基于变分模态分解的固有频率识别方法。首先对机械系统的振动加速度响应进行变分模态分解,得到与该机械系统振动行为对应的固有模态函数;利用希尔伯特变换对各阶固有模态函数进行分析,研究各阶瞬时频率的变动趋势,以确定各阶固有频率。以悬臂梁为例,分别采用基于变分模态分解、ANSYS模态分析、经验模态分解、集合经验模态分解的固有频率识别方法对机械系统固有频率进行识别,分析结果表明基于变分模态分解的模态参数识别方法有较好的识别效果。     

基于鲸鱼算法优化LSSVM的铣刀磨损监测

为解决铣刀磨损状态监测问题,提出一种改进的鲸鱼算法优化最小二乘支持向量机的状态识别方法.首先,采用变分模态分解处理铣削过程中的振动信号,分解得到的固有模态分量进行特征提取;然后,针对鲸鱼算法易陷入局部最优解、收敛精度低的问题,引入混合反向学习算法和非线性收敛因子进行改进,并采用基准测试函数验证改进后的鲸鱼算法的有效性;最后,将改进的鲸鱼算法优化LSSVM模型应用于铣刀磨损状态识别仿真实验.实验结果表明,相较于粒子群算法与传统鲸鱼算法,改进的鲸鱼算法优化LSSVM具有更高的识别精度.     

基于VMD与改进DAE人车地震动包络信号识别算法

摘　要解决对野外环境中低信噪比的人车地震动信号进行分类时传统模式识别方法应用不便,以及识别率较低的问题,通过基于包络检波、变分模态分解（VMD）和改进的深度自编码器（DAE）的特征提取算法研究了针对该类信号的处理方法和特征提取方法。首先对目标的地震动信号进行希尔伯特变换,获取信号的平滑包络线,然后对包络线进行变分模态分解,并用相关系数对分解得到的IMF信号进行筛选,并将相关度较高的分量加权合成为高信噪比的中间信号,再对其使用改进的深度自编码器中进行特征提取。最后使用泛化性能好的随机森林算法对信号进行分类,从而实现对人车目标的识别和分类。结果表明：该算法对两类目标综合识别正确率较其他传统算法有较大提高。可见该算法针对该类目标有应用价值。     

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.     

MSR结合MCCA的多视角鲁棒步态识别方法

针对许多传统的步态识别算法过分依赖视角的问题,提出了一种基于多视角子空间表示结合边际典型相关分析的步态识别方法.首先,使用简单有效的特征步态能量图表示每个序列,并利用多视角子空间表示方法测量样本之间的差异;然后,利用MCCA提取子空间的判别性信息;最后,利用最大隶属度原则和最近邻分类器完成识别.在公开的多视角步态数据库OU-ISIR-D和CASIA-B上的实验结果显示,方法在CASIA-B,OU-ISIR-D两个数据库上的识别精度可分别高达99.8%,99.1%,相比几种较为先进的步态识别方法,该方法取得了更好的识别性能且能有效处理对象内变化和缺失数据.     

多类型的雷达有源干扰感知新方法

针对雷达有源干扰可识别的类型有限且识别效果欠佳的问题,提出了一种多类型雷达有源干扰识别新方法。该方法首先利用变分模态分解对雷达有源干扰信号进行分解,得到具有不同中心频率带宽有限的固有模态分量,然后分别计算每个固有模态分量相应的矩形积分双谱,并计算其Renyi熵以组成特征参量,最后采用随机森林分类器将多个随机决策树的结果取众数,从而实现了雷达有源干扰类型的识别。仿真结果表明,所提方法不但能够有效地识别多种不同类型的雷达有源干扰,而且具有良好的抗噪声性能和稳健性。与基于熵理论的识别方法和基于时频特征的识别方法相比,当信噪比为5 dB时,压制式干扰识别率分别提高了0.33%和1.75%;与基于时频图的识别方法和基于时频分布的识别方法相比,当信噪比为0 dB时,拖引欺骗干扰识别率分别提高了3.89%和5.06%。     

基于改进HHT方法的密集模态结构参数识别

针对Hilbert-Huang变换(HHT)方法在识别结构模态参数中存在的经验模式分解(EMD)模态分解能力不足以及固有模式函数(IMF)分量之间不正交这2个问题,分别提出采用波组信号前处理和正交化经验模式分解的方法予以改进,并将此方法称为改进的Hilbert-Huang变换方法.在介绍正交化经验模式分解方法和波组信号前处理基本原理的基础上,给出基于此改进Hilbert-Huang变换方法识别结构模态参数的基本步骤,并通过一个具有密集模态的三自由度结构在脉冲荷载激励下的模态参数识别算例予以验证.研究结果表明:该方法可有效识别密集模态结构的模态参数,且识别效果优于基于HHT的模态参数识别方法的效果.     

参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征提取困难的问题,提出一种基于参数优化变分模态分解的轴承早期故障诊断方法。首先利用粒子群优化算法对变分模态分解算法的最佳影响参数组合进行搜索,搜索结束后根据所得结果设定变分模态分解算法的惩罚参数和分量个数,并利用参数优化变分模态分解算法对故障信号进行处理。原故障信号经过处理后被分解为若干本征模态函数分量,由此筛选出最佳信号分量并进行包络解调运算,最终通过分析信号的包络谱可判断轴承的故障类型。利用参数优化变分模态分解方法对轴承故障仿真和实测信号进行分析,均成功提取出微弱特征频率信息,表明参数优化变分模态分解方法可实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于VMD和时空网络变分自编码器的负荷聚类

为了解决用户用电负荷曲线数据维度高、特征提取困难以及序列存在信号模态混叠的问题,本文提出使用变分模态分解（variational mode decomposition,VMD）和改进基于时空网络的变分自编码器（variational auto-encoders,VAE）对电力负荷曲线进行特征提取。通过模态分解得到信号的固有模态,对模态重构得到时序特征较明显的序列信号。再通过长短期记忆网络（long short-term memory network,LSTM）和卷积网络（convolutional neural networks,CNN）组成的时空变分自编码器进行潜在特征提取,并构建网络分类器来联合损失优化自编码器模型。最后使用Minibatchkmeans算法聚类并计算聚类中心。使用UCI数据集中葡萄牙居民用电量作为实验数据,通过实验结果表明经模态分解后通过降维再聚类的算法在戴维斯丁堡指数（Davies-Bouldin Index,DBI）和轮廓系数（Silhouette Coefficient,SC）上表现出较好效果。     

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IVMD-CS-LSTM的超短期风电功率预测算法设计

功率预测对提高风电电能质量、减少风电并网时对电网的冲击起着重要作用.针对风电功率数据特征，提出一种基于改进变分模态分解（Improved Variational Mode Decomposition,IVMD）的长短期记忆神经网络（Long-Short Term Memory Network,LSTM）的风电功率预测算法，并利用布谷鸟（Cuckoo Search,CS）算法对LSTM进行超参数寻优.首先，通过相关性分析，对风电场10类数据进行特征筛选，确定与功率相关性最大的两类数据作为模型的输入数据.接着，利用IVMD计算最大包络线峰度，确定变分模态分解的最佳分解参数，将原始风速序列进行分解，得到时间尺度各异的本征模态分量（Intrinsic Mode Functions,IMF）.最后，针对LSTM神经网络模型的超参数优化困难、难以得到最优解等问题，提出采用CS算法对关键超参数进行寻优，建立了IVMD-CS-LSTM预测模型，得到了风电功率短期预测结果.采用实际风电场数据对算法进行测试，与常用预测算法比较，预测结果有更高的精度.     

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.     

基于EEMD和SVM的冷轧机垂直振动相关故障的诊断

通过对冷板带轧机垂直振动过程的机理进行分析,结合轧机系统结构模型,建立含振动因素的冷轧机垂向系统动态轧制力模型.考虑复杂工况下,轧机在生产不同规格带钢时,由工艺参数波动等广义故障所致轧机垂直振动现象,基于工业现场数据进行数据驱动的故障诊断算法研究.采用集成经验模态分解算法对实测轧制力信号进行分解,选取有效的固有模态函数的能量作为特征向量,并将其输入到支持向量机分类器中,通过分类器对正常状态和故障状态进行区分,以实现轧机振动相关故障的准确诊断.     

基于VMD和马氏距离SVM的滚动轴承故障诊断

针对滚动轴承早期故障识别较困难的问题,提出一种基于变分模态分解(VMD)和马氏距离支持向量机(SVM)的诊断方法。首先,采用小波阀值法对原始振动信号进行去噪处理,获得有效的振动信号。其次,根据VMD分解后每个模态的中心频率大小不同,确定最终分解层数。同时,从分解后的变分模态分量中提取能量特征。最后,为了对样本间进行距离度量,将马氏距离引入SVM的高斯核函数计算中,建立了一个基于马氏距离的高斯函数核,用于支持向量机分类器。利用改进的SVM对轴承的运行状态进行识别,实验结果表明所提方法在识别轴承正常状态、内圈、外圈以及滚珠体故障时,具有较高的准确率。     

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.     

改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current,HVDC)输电线路故障识别方法识别准确率低,且无法同时准确识别低阻和高阻故障的问题,提出一种改进变分模态分解(variational mode decomposition,VMD)-多尺度排列熵(multi-scale permu-tation...     

基于自适应变分模态分解的佤语孤立词共振峰估计

基于变分模态分解算法实现对语音共振峰的提取,针对其存在共振峰合并和虚假峰值2个主要问题,通过对分解模态数、平衡约束参数的分析,提出了自适应变分模态分解法.并从的正交性、能量保存度2个方面证明了该方法的可行性;最后,利用该方法实现对佤语共振峰的估计.实验结果表明,基于自适应变分模态分解对佤语孤立词的共振峰估计平均正确率可达85.50%.     

基于手机加速度与步态不对称特征的身份识别

为解决现有步态识别准确率低的问题,通过研究人体走路左右步态不对称的特点,提出了基于左右步态特征提取的精确步态识别方法.与以往步态识别方法采用摄像头、地板传感器以及高采样率的传感器相比,通过智能手机中的加速度传感器采集数据.在低采样率状态,采集50名志愿者的正常行走加速度数据,使用小波变换方法提取加速度的特征点,对所有志愿者进行左右步态特征的相似性和差异性测试,证明了将左右步态区别提取的可行性.采用动态时间规整算法特征序列进行匹配.仿真结果表明基于左右步态特征的提取方法较好地提高了身份识别的准确率,平均错误率15.2%,为步态识别提供了一个新的思路.     

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。     

大跨斜拉桥运营模态分析方法对比

以某大跨度斜拉桥一年的实测数据为依托,对桥梁结构运营模态分析的常用频域和时域方法进行对比分析.用探索性数据分析对桥梁实测数据进行评判,从实测数据中筛选符合识别方法基本假定的数据;分别运用频域和时域运营模态参数识别方法识别了主梁和斜拉索12个月的运营模态参数,并对识别结果进行了对比分析;对比分析表明:不同构件可采用不同的识别方法,基于自适应总体平均经验模态分解的数据驱动随机子空间法,对运营状态下斜拉桥主梁的密集模态参数识别效果最好;峰值拾取法能准确、快捷地识别运营状态下斜拉索的模态参数.研究结果可为大跨度斜拉桥运营模态参数识别提供依据和参考.