基于初值优化的自适应最稀疏时频分析方法

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)是一种新的时频分析方法,该方法需要事先确定较为准确的初始值,缺乏自适应性.针对ASTFA存在的问题,提出了基于初值优化的ASTFA方法.该方法使用残余量的能量作为优化目标函数,使用不同的初始值对信号进行分解,当残余量的能量最小时,则认为该初始值为最优初始值.因此,该方法能够自适应地寻找最优的初始值,增加了ASTFA方法的自适应性.采用仿真信号将该方法与原ASTFA方法进行对比,结果表明该方法能自适应地得到更准确的分解结果.对仿真信号和滚动轴承故障数据进行分析,结果表明ASTFA在抑制端点效应和模态混淆、抗噪声性能、提高分量的准确性等方面要优于经验模态分解(empirical mode decomposition,EMD),并能有效应用于滚动轴承故障诊断.

基于GA的自适应最稀疏时频分析方法及应用

为解决自适应最稀疏时频分析(ASTFA)方法中初始相位函数的选择问题,采用遗传算法(GA)对ASTFA的初始相位函数进行优化,提出了GA-ASTFA方法。进一步研究了GA-ASTFA方法抑制模态混淆的能力,分析结果表明,GA-ASTFA能较好地抑制模态混淆,分解得到的分量信号精度高,且可抑制分解中的伪分量。最后将GA-ASTFA方法用于转子碰摩故障诊断,实验分析结果表明,GA-ASTFA方法能有效提取转子碰摩故障特征信息。

ACROA优化的自适应最稀疏窄带分解方法

提出了基于人工化学反应优化算法(artificial chemical reaction optimization algorithm,ACROA)的自适应最稀疏窄带分解(adaptive sparsest narrow-band decomposition,ASNBD)方法,将信号分解转化为对滤波器参数的优化问题,使用ACROA进行优化,以得到信号的最稀疏解为优化目标,在优化过程中将信号自适应地分解成若干个具有物理意义的局部窄带信号。对数值仿真和齿轮故障数据进行分析,结果表明该方法在抑制模态混淆、抗噪声性能、提高分量的正交性和准确性等方面要优于ASTFA方法、基于遗传算法(genetic algorithm,GA)的ASNBD方法及总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法,并能有效识别出齿轮的典型故障。

基于ASNBD-CMFE特征信息提取的短时交通流预测

针对短时交通流数据的非线性和随机性特点,为提高其预测精度,提出了一种基于自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)和复合多尺度模糊熵(Composite Multiscale Fuzzy Entropy,CMFE)的短时交通流数据特征信息提取方法.首先利用ASNBD将短时交通流数据分解成若干个内禀窄带分量,分别求出每个分量的CMFE.根据CMFE反映的不同分量的非线性程度选取有效分量,从而提取数据的非线性特征.然后根据非线性分析的结果分别对每个分量建立支持向量机网络模型,针对每个分量的自身特点选择不同的模型训练参数,以提高单个模型预测精度.最后将各个预测值进行累加并得出预测结果.实验结果表明,该方法能有效应用于短时交通流数据特征信息的提取,进而提高预测精度.

互补集合自适应最稀疏窄带分解及其应用

自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)是在包含内禀模态函数(Intrinsic Mode Functions,IMF)的过完备字典库中搜索信号的最稀疏解,将信号分解转化为优化问题,但在强噪声干扰时计算精度仍有待提高。因此在结合了互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)算法,得到了新的互补集合自适应最稀疏窄带分解(Complementary Ensemble Adaptive Sparsest Narrow-band Decomposition,CE-ASNBD)方法。此方法是加入成对符号相反的白噪声到目标信号,从而减小重构误差,在对滤波器参数的优化过程中实现信号的自适应分解。对仿真和实验数据的分析结果表明,该方法在抑制模态混淆、端点效应、性能、提高分量的正交性和准确性等方面要优于CEEMD和ASNBD方法,并能有效应用于滚动轴承故障诊断。