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。     

基于VMD改进算法的气体管道泄漏检测

为提取气体管道声波信号中的泄漏成分并进行重构,提出一种结合VMD( VMD: Variational Mode Decomposition) 和误差能量算法的特征提取方法。该方法首先利用油气管道泄漏检测系统模拟气体管道的微小泄漏,并采集泄漏声波信号; 然后利用VMD 算法将采集到的泄漏声波信号分解为一系列带宽受限的固有模态;随后,使用误差能量算法选择有效模态; 最后,利用有效模态进行信号重构。通过仿真分析发现,该改进算法可以提取有效模态,利用该方法处理气体管道微小泄漏声波信号,能有效滤除噪声并重构原始信号。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

基于改进的K-SVD和VMD的轴承故障特征提取方法

轴承作为旋转机械的核心零部件,在工作过程中易受其他部件影响,造成多部件耦合振动,产生的故障信号呈现非线性、非平稳特征,使得与故障信息相关的周期性冲击成分混入大量的背景噪声.传统K-奇异值分解(K-SVD)在字典学习过程中易受噪声干扰,难以确定初始化字典和迭代次数,导致稀疏表示效果较差,无法有效地提取故障特征.针对以上问...     

VMD和小波阈值重构的电力电缆局部放电信号去噪法

矿用电力电缆的绝缘在劣化初期会产生局部放电信号,因此通过测量局放信号能够判断电缆的绝缘状态。然而由于局放信号微弱,受干扰信号影响严重,导致其提取难度大,从而降低了根据局放量判断设备绝缘劣化的准确性。提出以一种基于变分模态分解和小波阈值重构的矿用电力电缆局部放电信号去噪方法,将局放信号从干扰中提取。利用变分模态分解法首先将含噪的局放信号分为多个本征模态分量,其次采用小波阈值法对每个本征模态分量进行处理,最后将处理后的信号进行重构,得到去噪后的局放信号。对实验室6 kV电力电缆施加2.5 kV直流电压获得的局放电压信号进行去噪处理,与已有的去噪方法对比去噪效果。经对比分析,该方法的去噪效果优于现有的其他方法,尤其是对于信噪比极低的信号,采用该方法后,重构信号的信噪比、相关系数、均方根误差、噪声抑制比均得到了显著提升。     

CO_2电弧焊和MAG焊应用比较与分析

对CO2电弧焊和MAG焊的特点、原理、工艺性能、经济性等进行了多方面的比较和分析,介绍解决实际生产中的一些问题的办法,对某结构件工厂焊接工艺进行比较、选择,得出最优化方案。     

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...     

高速MIG/MAG焊技术的现状及近展

本论述介绍了目前高速MIG/MAG焊方法的发展现状,分析了高速MIG/MAG焊时易发生的主要缺陷及产生原因,以及复合焊、旁路焊接及磁控大电流MAG等高速MIG/MAG焊方法的结构、原理及特点,并对高速MIG/MAG焊接技术的进行了展望。     

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.      

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。     

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的广义二次互相关时延估计方法

针对广义互相关(GCC:Generalized Cross-Correlation)时延估计方法在低信噪比的情况下会产生较大误差的问题,提出一种基于变分模态分解(VMD:Variational Mode Decomposition)结合广义二次互相关(GSCC:Generalized Second Cross-Corr...     

基于VMD和FFT的变切深侧铣颤振特征提取方法

针对铣削过程中颤振频带不明显的问题,采用变分模态分解(VMD)和快速傅里叶变换(FFT)相结合的方法来提取颤振频带,为进一步提取颤振特征值奠定基础.为获得包含颤振频率的频带,采用变切深侧铣薄壁件实验获取铣削力信号.提出结合FFT频谱来选择VMD中模态个数的方法,并采用此方法对仿真信号和实验信号进行颤振频带提取,结果表明VMD和FFT相结合的方法能有效提取铣削颤振频带.     

基于ANSYS和VMD的轴承复合故障特性研究

轴承复合故障严重影响设备的可靠性和使用寿命。为研究滚动轴承复合故障特性变化规律,本文基于ANSYS workbench,建立了角接触球轴承复合故障动力学仿真模型,研究了不同转速下复合故障轴承的动态响应规律;提出一种基于优化变分模态分解(VMD)的复合轴承故障特征识别方法,能有效消除噪声对轴承故障特征提取产生的干扰。采用改进的北方苍鹰寻优算法对VMD的参数进行自适应寻参,在确定最佳参数后对振动信号进行变分模态分解,基于最大峭度原则对本征模态函数(IMF)进行信号重构后做频谱分析。研究结果表明：复合缺陷对滚动体和外圈的接触应力分布影响显著,等效应力主要集中在凹坑缺陷的边缘;滚动体通过外圈缺陷时会导致轴承内部局部的应力集中和释放,应力会下降。改进的北方苍鹰寻优算法优化过的VMD可以有效提取轴承中的复合故障特征频率成分,频率峰值清晰地对应了理论计算的故障频率,准确率高于其他广泛使用的特征提取方法。     

基于VMD的瓦斯信号自适应压缩感知算法

将压缩感知算法和变分模态分解相结合,应用于煤矿瓦斯数据的处理。考虑到现有的压缩感知算法在对瓦斯处理的过程中存在着重构精度低,重构过程复杂和需要较多的样本观测值等问题,因此提出一种基于VMD和自适应观测矩阵的压缩感知算法,有效解决了以较少的样本观测值数据实现信号高精度重构的问题,同时自适应地选择观测矩阵,避免了对稀疏信号的同类化投影选择。首先将瓦斯信号经过VMD进行分离,得到一系列瓦斯信号的本征模态函数分量,通过设定阈值保留有效信息,使得信号更加稀疏化; 其次通过自适应地观测矩阵对稀疏信号进行投影变换,从而降低观测矩阵和稀疏字典的不相关性。实验以煤矿瓦斯数据为研究对象,将瓦斯数据经过VMD分解进行稀疏化处理和使用构造的自适应观测矩阵进行投影选择,MATLAB仿真实验证明,文中的算法有更高的信噪比和更好的重构质量。     

多输入多输出频域模态识别算法的探讨

在应用多输入多输出频域正交多项式方法进行模态参数识别时，发现其存在一些不完善之处：１）识别振型需对重根单根情况分别作出判断和计算；２）在分析频带内系统存在重根重数与输入个数相同时，理论上振型无法识别，实际应用时识别结果有较大误差。对此进行了深入探讨，从理论上论证了出现上述问题的原因：识别过程中对矩阵进行奇异值分解，在存在重数与输入个数相同的重根时，此矩阵数值小，信噪比低，因此识别精度差。针对这些问题，对原算法进行了修正，使振型识别精度得到提高。算例与试验验证证明了所做的讨论和修正是正确的、有效的。     

基于改进小波阈值和优化VMD算法的语音增强方法

针对语音信号传输过程中受噪声和回声等因素干扰,导致信号质量和可懂度下降的问题,提出一种基于优化的变分模态分解算法和改进小波阈值的语音信号增强方法.首先,采用麻雀搜索算法优化模态分解参数,并分解语音信号得到模态分量;其次,根据模态分量与原信号的相关系数和中心频率,消除高频噪声分量,保留接近原信号的模态分量作为纯语音,其他模态分量作为带噪语音,进行小波阈值处理;最后,重构纯语音和处理后的噪声模态分量,得到增强的语音信号.结果表明：该方法比单一方法具有更优的语音增强效果;优化的变分模态分解算法和改进的阈值与阈值函数实现了比传统方法更好的增强效果,适用于各种噪声环境,有效提升了语音信号的质量和可懂度.     

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.     

基于优化VMD与斜率熵的目标辐射噪声特征提取方法

为了在复杂多变的环境中有效提取目标辐射噪声的特征信息,提出一种基于优化变分模态分解（variational mode decomposition,VMD）和斜率熵的目标辐射噪声特征提取方法。采用蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）,提出基于BOA的参数优化VMD算法（BOA-VMD）,实现VMD最佳参数组合的自适应选取,从而对四类辐射噪声信号进行分解,得到一定数量的固有模态函数（intrinsic mode functions,IMF）。计算各IMF分量的斜率熵作为特征值,通过仿真实验和实际噪声信号进行实验分析,并与散布熵、波动散布熵和排列熵三种特征相比较。结果表明：本文提出的基于BOA-VMD与斜率熵的特征提取方法可以实现不同种类目标的分类识别,并且在单特征和多特征条件下均具有最高识别率,而且随着提取的特征数量的增加,最高识别率也会随之增加。