改进变分模态分解在发动机气门间隙异常故障诊断中的应用

基于振动监测信号的故障诊断技术,对于船舶、油气田、核电等关键领域中大型高速柴油机的健康管理和智能运维具有重要意义。针对柴油发动机气门间隙异常故障,提出了基于振动数据驱动的故障诊断方法。首先,提出模态数量和惩罚因子均为自动优选的改进变分模态分解（VMD）方法,克服了传统VMD方法中上述参数需凭经验预设的缺点;进一步,对VMD分量进行多域特征提取,利用核密度估计方法进行特征敏感性的排序和选择;最后,构建全连接网络分类模型,将优选后的故障敏感特征通过分类模型进行故障识别。利用故障模拟实验台验证了不同工况下的气门间隙异常数据,结果表明本文所提的基于改进变分模态分解的气门间隙异常诊断方法故障识别率超过86%,具有良好的应用效果。     

用小波变换识别微差爆破中的实际延迟时间

在微差爆破工程中,由于延期微差时间往往与实际延期时间有较大出入,影响了微差爆破的效果和顺利实施.基于这一现状,利用小波变换具有突出被分析信号局部特征的能力,通过分析爆破工程中所监测到的振动信号.有效地识别出微差爆破中各段雷管的起爆时刘,进而可以确定爆破中所用雷管的实际延期时间.以某地下矿山进行的微差爆破监测到的爆破振动信号进行小波分析为例,验证了此方法的有效性.图3,表3,参7.     

基于变分模态分解的冻结步态识别方法

针对传统帕金森患者冻结步态识别方法自适应性不佳的问题,提出一种基于变分模态分解的冻结步态识别方法.首先采用变分模态分解代替传统时频分析方法对冻结步态信号进行充分的自适应分解.其次为提高算法识别精度和识别速度,选用CART模型作为集成分类器的基分类器并进行特征降维处理.最后针对不平衡数据集和单分类器性能有限的问题,进行了数据采样-集成分类器的设计并通过贝叶斯优化对识别算法进行超参数寻优.实验结果表明,相对于AdaBoost、Tomeklinks-AdaBoost和ROS-AdaBoost集成算法,RUSBoost集成算法可以更高效地完成冻结步态识别任务.     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响,表现出强烈的非线性、非平稳性与随机性等特性,使得预测准确性受到极大考验.为提高风速预测准确性,创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先,利用变分模态分解将风速序列分解为一系列调幅调频信号,以降低数据复杂度,有效提取特征并提高噪声鲁棒性,减少风速自身对预测准确性的影响.其次,对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后,用实测数据验证所提方法的有效性.与其他典型风速预测模型相比,所提方法可有效提高风速预测准确性.     

基于频率诱导变分模态分解的齿轮箱故障诊断

针对风电传动系统齿轮箱的故障诊断问题,在脉冲激励响应的基础上提出了一种频率诱导变分模态分解(FIVMD)方法,并将其应用于齿轮箱故障特征提取.首先,根据振动信号傅里叶谱的极大值分布估计齿轮箱系统的自振频率;然后,将固有频率的估计值作为各模态分量中心频率的初始化位置,并通过交替乘子法将原始信号自适应分解为本征模态函数;其次,通过希尔伯特变换对各本征模态函数求包络谱,并计算其故障特征频率比;最后,挑选出故障特征频率比最大的模态分量,并根据其包络谱特征实现齿轮箱故障的有效识别.以维斯塔斯某3 MW风电机组圆柱齿轮断齿故障为例,验证了FIVMD在工程应用中的有效性和优越性.     

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。     

微差及预裂爆破在水工建筑物拆除爆破中的应用

在保护物距离爆破源近，防震要求高的环境下，应用微差控制结合预裂爆破方法地进行拆除爆破。     

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。     

基于变分模态分解的弹性参数核密度估计方法

概率密度建模是地震随机模拟中至关重要的环节,而弹性参数高频成分的概率密度估计决定了高分辨率地震随机模拟结果的精度。针对常规方法中弹性参数高频成分提取精度不足、概率密度建模先验条件过度约束以及弹性参数的概率密度建模分层设计等问题,提出了一种基于变分模态分解（variational mode decomposition, VMD）的弹性参数核密度估计方法。该方法首先采用VMD对测井弹性参数数据进行模态分解,筛选出本征模态函数（intrinsic mode function, IMF）中的高频项叠加得到测井弹性参数的高频成分;然后使用核密度估计分层计算得到高频成分的概率密度模型,并通过该模型进行随机抽样生成随机高频成分叠加至井旁地震数据上以达到丰富地震弹性参数数据高频内容的目的。珠江口盆地34号井区的实验结果显示,VMD有效分离出了中心频率在70 Hz以上的测井弹性参数高频成分,分层设计的核密度估计方法凸显了高频成分的统计规律,叠加随机高频成分后地震弹性参数70 Hz以上的高频成分得到了明显补充。该方法为地震高分辨率随机模拟提供了新的思路。     

基于变分模态分解的探地雷达信号分析方法

将变分模态分解方法引入探地雷达信号处理中,针对探地雷达信号非平稳特征,利用变分模态分解原理建立探地雷达信号去噪方法。方法基于变分模态分解将雷达波信号分解为特征模态函数,再由样本熵决定高阶模态是否保留,实现白噪声去除。通过探地雷达Ricker子波和正演模型试验,检验该方法的正确性和有效性。与传统的小波变换、集成经验模态分解方法进行对比,研究探地雷达信号去噪效果,并将该方法用于分析实际工程探地雷达信号。研究表明,该方法能有效去除探地雷达信号中的噪声,在强干扰背景下,能获得高于20 d B的信噪比。     

炮孔装药分段爆破的模型试验研究

同等药量、不同起爆方式的单孔爆破漏斗模型试验研究证明:炮孔装药采用分段微差爆破可增大爆破体积,提高破岩深度、改善破碎块度。本文初步探讨了孔内装药分段爆破一些主要参数的设计方法。     

隧道掘进爆破破岩数值模拟及应用研究

为研究隧道掘进多孔毫秒延期爆破条件下的岩体破碎和爆破振动规律,采用完全重启动数值模拟技术和拉格朗日数值算法计算隧道掘进爆破破岩过程,得到了岩体特征点的振动速度,并将数值模拟评估的爆破方案应用于工程实践,数值模拟与工程实践结果比较吻合。结果表明,联合完全重启动数值模拟技术和拉格朗日算法能够模拟隧道破岩的物理力学过程。      

浅孔微差控制爆破在公路建设工程中的运用——以共和乡扎古村公路建设为例

共和乡扎古村公路改建工程采用浅孔控制爆破技术,应用比较成功。主要阐述了浅孔微差松动爆破参数的选取、爆破振动、爆破飞石预防和控制的经验和认识。     

城市浅埋隧道下穿密集建筑群控制爆破技术

城市浅埋隧道下穿密集建筑群时,如何在保证掘进效率的前提下,控制爆破振动对地表建筑物安全的影响是关键。现以贵阳观山西路至兴筑西路段隧道施工下穿金阳步行街为工程背景,通过中心大空孔二阶复式掏槽形式,设计合理的装药结构和爆破参数,采用雷管跳段使用对起爆网路进行优化,成功地将地表振动速度控制在2.0cm/s范围内。通过地表振动监测与爆破信号分析,证明了该爆破方案的可行性,具有良好的经济和社会效益。     

奇异值分解技术在声音信息分离中的应用

针对工程实际中循环非稳信号信噪比低，因此造成分析和特征提取难的问题，采用奇异值分解技术，对用声传感器采集的声音信号进行分解和重构，提取有用信息，消除噪声，从而提高了声音信号的信噪比，保证了故障的确诊，利用短时傅里叶变换，从时频域提取特征，进一步说明了该方法的有效性。     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

基于互信息的变模态分解算法及应用

为解决传统变模态分解( VMD: Variable Mode Decomposition) 结合算法中,K 值选择没有标准,从而导致信号提取存在一定程度误差的问题,提出一种基于互信息的变模态分解有效本征模态函数( IMFs: Intrinsic Mode Function) 的判断方法。该算法通过原始信号与VMD 所获得的IMFs 的和之间的差值,实现预置标度K 值的模糊优选提取信号的主要特征。仿真信号实验表明,所提方法具有最大的输出信噪比和最小均方误差( MSE: Mean Square Error) ,实现了K 的模糊优选,并通过实验验证了该方法对管道泄漏信号滤波的有效性。     

模态分解法辨识线性结构在环境激励下的模态参数

根据线性结构中白噪声响应之间的相关函数与脉冲响应函数具有相同的数学表达式的特点,用模态分解法把相关函数分解为不同频率的信号,然后把各个不同频率的信号看作单自由度系统脉冲响应进行模态参数辨识。该方法的最大优点是：（1）把多自由度系统的模态参数辨识问题转变为单自由度系统的模态参数辨识问题;（2）不存在模型阶数的选取问题;（3）对输出噪声具有鲁棒性;（4）从测试数据中直接识别实模态,避免了由复模态提取实模态问题;（5）仅根据一个测点的响应信号就可辨识结构的频率和阻尼。算例表明,用模态分解法辨识线性结构在环境激励下的模态参数是成功的。     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.