参数智能优化变分模态分解的输电短路信号提取

输电短路信号因非线性含噪难以准确提取,影响后续故障诊断正确率。为此,提出参数智能优化变分模态分解的输电短路信号提取方法。引入峰值密度实时监测粒子群种群密度,设计权重自适应更新策略,以避免种群多样性缺失导致算法陷入局部最优;然后,建立变分模态分解(Variational Mode Decomposition,简称VMD)算法优化求解的适应度函数,并采用上述改进粒子群算法实现VMD参数智能优化下的输电短路信号提取。采用典型测试函数验证了改进粒子群算法具有比其他算法更好的搜索速度和稳定性,并进一步验证了提出的参数智能优化变分模态分解方法可以较好提取非线性含噪输电短路信号,可提高故障诊断正确率。

自适应变分模式提取的轴承故障诊断方法

变分模式提取(variational mode extraction, VME)能够从复杂信号中提取特定的模式分量,但其在轴承故障诊断中的应用潜力受到初始中心频率和平衡参数的影响。因此,为了克服VME在轴承故障诊断应用中超参数的设置问题,深入探究VME模型中心频率迭代更新过程,发现中心频率收敛趋势现象并通过理论证明其存在性,由此提出中心频率定位策略,可自适应地确定目标中心频率。为了最大化匹配故障信息,构造基于故障特征幅值比的平衡参数优化策略,能够优化目标分量的带宽。以上中心频率定位策略和平衡参数优化策略,构成自适应变分模式提取的故障诊断方法,该方法能够在无需预设初始中心频率及平衡参数的情况下自适应提取故障相关分量。仿真和两个试验案例分析结果验证所提方法在轴承故障诊断领域相比于连续变分模式分解、经验模式分解和快速谱峭度方法更具有效性和优越性。

基于广义变分模式分解的滚动轴承故障微弱特征提取

针对变分模式分解(Variational Mode Decomposition,VMD)算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解(Generalized Variational Mode Decomposition,GVMD)算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解。仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性。

基于参数自适应SVR和VMD-TCN的水电机组劣化趋势预测

针对水电机组难以利用实时监测数据对机组劣化状态进行有效评估,以及水电机组不同运行工况对运行状态指标趋势预测模型参数影响显著的问题,提出一种基于参数自适应支持向量回归机(SVR)、变分模态分解(VMD)和时间卷积网络(TCN)的水电机组劣化趋势预测方法;首先按照功率和水头将机组运行工况细化为若干典型工况,在此基础上采用改进天鹰算法建立SVR模型,对各个工况下的预测参数进行寻优,建立起工况与最优参数的数据;再通过神经网络对工况和最优预测参数进行拟合,构建出映射两者复杂关系的非线性函数,然后将构建出的映射关系加入到传统的SVR中,实现适应于水电机组工况变化的自适应SVR健康模型;其次,根据健康模型输出的标准值和监测数据,计算出劣化趋势序列;最后,考虑到劣化趋势序列的非线性因素,建立了一个基于VMD-TCN的时间序列预测模型,以实现对劣化趋势的准确预测。并设计多组对比实验,验证所提出模型的精度更高,时间更快。

基于自适应变分模态分解的桥梁振动信号降噪

针对实际桥梁结构振动响应信号易受环境噪声的影响,而降噪效果较好的VMD方法存在本征模态函数分解数量难以确定的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition)方法--自适应变分模态分解方法(Adaptive VMD,AVMD),实现了桥梁振动响应信号的自适应降噪。在传统VMD方法的基础上,通过结合EMD方法和主成分分析,解决了VMD方法中本征模态函数分解数量难以确定的问题,并引入多尺度小波分解技术,对受噪声污染的信号进行多尺度分解、优选与重构,进而实现复杂桥梁结构振动信号的降噪。以一座大型悬索桥为工程背景,对桥梁实测振动响应数据进行了降噪与模态参数提取。结果表明,AVMD方法解决了传统VMD方法中本征模态函数分量难以确定的问题,降噪信号所识别出的桥梁结构虚假频率比原始信号所识别出的虚假频率减少了58.82%。

变分模态分解方法在轴承故障诊断中的应用研究进展

作为旋转机械的核心和易发生故障的部件,滚动轴承及其故障诊断是目前研究的热点和前沿。有效的特征提取方法对于滚动轴承故障诊断至关重要,其中变分模态分解算法(VMD)因对复杂信号具有较强的分析能力和自适应性,应用潜力较好。对VMD的基本原理及其优势、VMD在轴承故障特征提取方面的应用、VMD参数优化方法以及最新进展进行归纳总结,针对VMD参数优化问题,从适应度函数构造和群智能算法改进上,提出一种新的解决方法,并探讨VMD在诊断滚动轴承早期微弱故障和复合故障等方面的不足之处,最后从理论研究和工程应用的角度,展望VMD未来的发展方向,可为从事滚动轴承故障诊断的相关研究人员提供参考。

基于变分模式分解的滑动轴承摩擦故障特征提取与状态识别

针对滑动轴承振动信号明显的非线性非平稳性及信号中摩擦信号微弱等特点,提出一种基于变分模式分解(VMD)的滑动轴承摩擦故障特征提取与状态识别方法。采用VMD对滑动轴承振动信号进行分解,将其自适应地分解为系统冲击信号、低频摩擦信号和高频摩擦信号3个分量,在此基础上定义并提取相对频谱能量矩特征参数,用于描述滑动轴承振动信号及其各分量的特征。对S195-2型柴油机曲轴轴承摩擦故障信号进行了分析,K-近邻分类器的平均识别精度达到93.3%。研究结果表明:基于VMD分解的相对频谱能量矩特征对滑动轴承的工作状态比较敏感,能有效识别其摩擦故障状态。

变分模式分解方法研究与应用综述

自适应信号分解领域一个十分活跃的分支——变分模式分解(VMD)已经成为信号处理与检测技术学界一个热门的研究方向。VMD对非平稳、非线性信号具有良好的处理效果。针对VMD模型及其参数选择,发展了许多拓展模型及参数优化方法。本文回顾近十年来VMD的研究进展,对相关的文献进行总结与分析。首先,分析VMD的原理性优势及其在各个领域的应用潜力;其次,根据模型对不同信号类型的匹配能力,分类总结VMD拓展模型的不同特性和适用场景;然后,归纳VMD及其拓展模型参数优化方法的研究现状,探讨与分析不同模型参数优化方法的特点和最新研究趋势;最后,对VMD的未来发展提出6点展望,为后续的研究指明方向。

基于特征模式分解的水声目标特征提取方法

针对复杂水声环境下的水声目标分类与辨识难题,本文提出了一种水声目标微弱特征提取方法。该方法以特征模式分解为基础,使用相关峭度作为优化目标优选分解参数,实现原始水声信号的最优分解;并根据子信号的相似性进行模式融合以增强特征表达,最终实现复杂水声环境下的水声目标准确识别。海上试验表明:基于该方法的水声目标识别准确率达到90.1%,相较于传统方法平均提升12.5%。

自适应模态总数变分模态分解方法及其性能评估

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。

基于自适应变分模态提取的低速重载滚动轴承故障诊断方法

变分模态提取(variational mode extraction,VME)作为一种以极低计算度提取特定信号模态的新方法,其通过设置期望模态中心频率来获得固有模态函数。但是,VME只能针对一个中心频率提取一个分量,无法实现多分量信号的自适应分解。对此,通过依据信号数据长度与带宽自适应设置多分量模态中心频率参数,把信号分解问题转化为多模态优化问题,在此基础上,提出了一种自适应变分模态提取(adaptive variational mode extraction,AVME)方法。此外,为解决单一指标无法衡量最优解调分量全面信息特征的问题,提出将峭度、相关系数和正交性进行融合来凸显及筛选有用分量进行解调和诊断。通过对滚动轴承故障仿真信号和实测信号进行分析,将所提的方法与现有多种信号分解方法对比,结果表明了该方法在计算耗时上和降噪方面的有效性。

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform,SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition,VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function,IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。

基于自适应VMD-Hilbert的球磨机负荷参数预测

提出一种自适应变分模态分解(VMD)—希尔伯特(Hilbert)边际谱样本熵和最小二乘支持向量机(LSSVM)提取球磨机振动信号组合特征并预测负荷参数的方法。首先,使用自适应VMD的振动敏感信号调制来分解振动,得到反映振动特性的本征模态函数(IMF)分量;之后,进行Hilbert变换,得到边际谱样本熵;最后,将其作为输入特征向量输入到LSSVM,实现球磨机负荷参数预测。试验结果表明:该方法可以有效地提取球磨机的非线性不稳定的信号特征,较为精确地预测球磨机负荷参数。

基于自适应双阈值的局部放电基本参数提取

局部放电基本参数自动化提取是高压设备局部放电在线PRPD分析的一项关键技术。针对现有方法因缺乏有效的参数选取方案导致适用性差的问题,提出了一种基于自适应双阈值的局部放电基本参数提取新方法。该方法利用放电幅值阈值和放电间隔阈值对PD信号的所有局部极值点进行双重过滤得到有效放电脉冲及其参数。为了减少整个处理过程的人工干预,提出采用最大类间方差法自适应选取上述双阈值。实验室中所测信号分析结果表明,所提方法能有效地提取PD信号的基本参数,对总数643例放电进行检测仅漏检13例、误检0例,且对80 MHz高采样率的放电信号的检测时间仍低于0.3 s,在准确性与计算效率上均优于现有方法。

基于变分推断的一般噪声自适应卡尔曼滤波

线性高斯状态空间模型中假设噪声为已知的白噪声过于苛刻。认为过程噪声与观测噪声均未知且二者的解析关系确定,假设观测噪声的均值非零且服从高斯分布,方差服从逆威沙特分布,从而构成了层次式贝叶斯模型。利用变分推断将均值与方差和系统状态一起作为随机变量进行迭代估计,在得到观测噪声的均值与方差的估计值后,利用其与过程噪声的关系进一步更新未知过程噪声的均值与方差,从而动态地得到每一时刻过程噪声与观测噪声的一、二阶统计矩信息,即使在噪声统计信息动态变化的情况下也有较满意的滤波精度。实验证明了该算法的有效性。

小波构造变正则参数变分模型在带噪图像恢复中的应用

在利用正则化方法构造变分模型进行图像去噪时 ,其正则参数往往选择为恒定值 文中利用小波分解的层次性和带噪图像中噪声所具有的时频特点 ,构造出变正则参数的变分模型 在不同的小波分解层 。

向量总变分耦合色彩差异的图像边缘提取算法

针对彩色图像边缘提取算法产生伪边缘和间断边缘的不足,提出自适应向量总变分与色彩差异的彩图边缘提取方案。根据图像梯度值与幅值,定义一种自适应向量总变分(vector total variation,VTV)去噪模型,降低噪声对边缘的影响;将图像变换为CIELAB空间,计算其色差和方向;对于不同色差与方向,采用不同的Sobel算子,借助非最大抑制方法(non-maximum suppression,NMS)优化边缘,搜索更多边缘点;利用自适应双阈值(double threshold,DT)提取彩色图像边缘。实验结果表明,与当前图像边缘提取技术相比,所提算法具有更优的检测结果,以及更高的边缘评价因子F与更低的Baddeley误差。

香农熵改进的变分模态分解与故障特征提取

为了解决变分模态分解(VMD)的分解层数K选定困难的问题,提出了利用归一化香农熵对变分模态分解进行参数优化,从而可以自适应地确定分解层数K,可以避免信号过分解与欠分解。首先在程序中预先设定分解层数,让程序进行预分解;计算分解后各本征模态函数(IMF)频带的香农熵,再将香农熵归一化处理,以归一化熵值大小作为循环停止条件来进行自适应确定分解层数K;最后对各IMF分量进行包络分析,提取信号中的故障特征频率。将该方法利用仿真信号和实际故障数据进行分析验证,结果表明该方法既能够自适应地确定K值,同时其分解出的各IMF分量均出现规律性故障振动信号或转频的倍频,证明了这种故障特征提取方法是有效的。

自适应加权的总变分正则化图像超分辨率重建

在Farsiu提出的双边总变分正则化方法中,尺度加权系数和正则化参数为定值,在边缘、纹理区域,重建图像效果不理想。针对这个问题,提出了一种自适应加权正则化函数和正则化参数的重建算法,该方法利用图像局部结构信息控制权函数形状、带宽和正则化参数,使这些参数根据图像局部结构信息自适应地调整。对所提出的算法进行了仿真实验,实验结果表明,与传统的总变分重建方法相比较,该算法能更好地重建图像的纹理细节,重建图像的对比度高。