基于变分模态分解的采空区“三带”微震信号能量衰减规律

为探明微震信号能量在采空区“三带”结构中的衰减规律,拟开展采空区覆岩相似模型试验,采集人工激发微震波经由采空区结构传播的微震信号,通过变分模态分解(variational mode decomposition,VMD)处理微震信号,获取各频率下模态分量。针对采空区微震信号在VMD下各模态分量中心频率与能量之间的关系展开分析。根据中心频率法确定微震信号最佳模态数量,并计算微震信号欠分解状态、最佳分解状态、过分解状态下各分量能量;对各震源下信号最佳分解状态时各模态分量能量与中心频率分布关系进行拟合,分析在“三带”结构中,微震信号不同传播状态下各结构层对信号能量影响作用。研究结果表明:(1)在VMD过程中,人工激发震动信号有效模态数量在6~11范围内,微震信号能量随模态数量变化明显。(2)采用幂函数可实现对微震信号模态能量与频率关系的拟合,且拟合状态良好(决定系数大于0.9),其中低频模态分量包含能量占信号总能量近50%;采用高斯函数可以拟合震源各分量能量在频域上的分布表现,拟合状态较好,且表现出高斯单峰特征。(3)微震信号穿越采空区“三带”结构,微震信号能量随震源位置与传感器距离增加而减小,同时信号能量随震源位置到达传感器穿越岩层数量增加而减小,信号能量在经由垮落带时,能量变化明显,相较于裂隙带和弯曲下沉带,垮落带对信号能量衰减作用明显。

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。

基于能量分析重构VMD分量的直埋供热管道泄漏定位研究

为提高声波法在复杂噪声环境下进行直埋供热管道泄漏定位的准确性,本文提出了基于能量分析重构有效模态分量的供热管道泄漏定位方法,即采用变分模态分解(VMD)将检测信号自适应地分解为一组本征模态函数(IMF),识别、提取有泄漏特征的有效模态分量,并通过能量占比分析完成信号加权重构。泄漏实验和工程实测表明:常规VMD泄漏定位方法与本文方法的平均定位偏差分别为1.57、0.51 m,相对定位偏差分别为8.42%、2.75%,采用本文方法定位准确性提高67.34%;工程实测中,常规VMD方法未能发现管道泄漏位置,本文方法确定的泄漏位置定位偏差为1.78 m;本文方法可抑制有效模态分量中的残余噪声,降低噪声成分对泄漏定位的影响,提高复杂噪声环境下供热管道泄漏定位精度。

基于VMD-MPC法的智能风机能量自适应分配研究

智能风机能量分配过程受到噪声影响,导致分配效果不理想,提出基于VMD-MPC法的智能风机能量自适应分配方法。采用VMD法对智能风机能量信号进行分解,获取信号噪声谐波和分序列波动特性。利用MPC控制方法控制智能风机能量,通过计算所有分配任务实际的执行长度,结合最优能量分配原则实现智能风机能量的自适应分配。实验结果表明,该方法低压与高压风机能量分配的四个顶点坐标分别为(0,0,750)、(0,500,600)、(0,100,0)、(50,500,0)与(0,2 000,800)、(0,5 000,800)、(0,2 000,0)、(0,5 000,0),与理想分配结果一致,分配效果好。

基于变分模态分解与Teager能量算子的谐波/间谐波检测方法

为了提高电力谐波信号中谐波/间谐波的检测精度,提出一种基于变分模态分解(VMD)与Teager能量算子相结合的检测新方法。利用相关系数法来确定VMD算法中的模态分解个数K;采用VMD对谐波/间谐波信号进行分解,得到一系列IMF分量;利用Teager能量算子对IMF分量进行解调分析,能够得到分量的瞬时幅值和频率,同时根据时频图中瞬时频率突变点,可准确定位暂态谐波/间谐波的起止时刻。在信噪比较低的情况下,将集合经验模态分解(EEMD)、VMD分别与Teager能量算子相结合进行谐波/间谐波检测的对比。仿真实验对比表明文中所提方法能将稳态、暂态谐波信号进行有效的分离,同时具有较高的检测精度和较好的噪声鲁棒性。

基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类

针对现有局部放电(PD)信号特征提取方法存在的不足,提出一种基于变分模态分解(VMD)和Hilbert变换(Hilbert-VMD)的特征提取方法,并提出一种双阈值筛选法来确定VMD算法中的分解模态数。首先,根据PD信号功率谱,采用双阈值筛选法确定VMD算法中的分解模态数;其次,采用VMD算法对PD信号进行分解,得到数个有限带宽的固有模态分量(BLIMFs);然后,对各模态分量进行Hilbert变换并线性叠加后得到PD信号的Hilbert时频谱,并计算各模态分量的边际谱;最后,根据各模态分量的边际谱提取PD信号频域内的特征量,并用支持向量机(SVM)对所提取的特征量进行分类。实验结果表明,对试验环境下和现场实测两种环境下的PD信号,采用该文方法提取得到的特征量均具有较高的正确识别率,充分说明该特征提取方法可以有效提取PD信号特征。对于噪声较大的实测信号,采用该方法得到的正确识别率并未明显降低,说明该方法具有较好的噪声鲁棒性。此外,该文所提Hilbert-VMD方法也为PD信号提供了一种新的时频分析方法。

应用变分模态分解及能量熵的扬声器异常声分类

为更准确地实现扬声器异常声分类以及促进其分类的自动化,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵和遗传算法优化的支持向量机(Genetic Algorithm-Support Vector Machines,GA-SVM)的扬声器异常声分类方法。首先对测得的扬声器单元声响应信号进行VMD,然后提取每个变分模态函数(Variational Mode Function,VMF)的能量熵并进行统计分析,最后利用GA-SVM进行异常声判断。实验结果表明,与VMD时频熵、经验模态分解(Empirical Mode Decomposition,EMD)能量熵、EMD时频熵这3种特征提取方法相比,VMD能量熵能更准确地表征扬声器单元异常声特征,具有更高的平均识别率,其平均识别率为96.3%,较以上3种方法分别提高了18.3%,24.0%,54.3%。

变分模态分解及能量熵在地心运动降噪中的应用

针对地心运动时间序列噪声种类复杂,随机性强,信号与噪声难以有效分离等问题,本文采用网平移法对IGS站周解进行解算,得到2012—2018年的地心运动时间序列,并提出了一种基于变分模态分解(VMD)及能量熵的地心运动时间序列降噪方法。首先,对各方向时间序列进行VMD分解,获得各方向高频依次到低频的时间序列分量;然后,计算每个变分模态分量的能量熵,辨识出噪声与信号的分界,并将信号分量进行重构,得到降噪后的地心运动时间序列;最后,通过与基于EMD和EEMD的降噪方法对比,从相关系数、信噪比、剩余能量百分比、方差贡献率等参数评价指标上定量说明该方法对地心运动时间序列降噪表现出更好的降噪效果。

基于改进变分模态分解的滚动轴承弱故障特征提取

针对滚动轴承故障信息微弱且常受到强背景噪声影响,导致故障特征提取困难的问题,提出一种改进变分模态分解(VMD)和Teager能量算子的滚动轴承弱故障特征提取方法。该方法以最大加权频域相关峭度为目标函数,对影响VMD分解的参数进行优化选取,确保获取故障特征最为明显子信号。利用Teager能量算子处理获取的最优子信号,增强故障冲击特征,并借助快速傅里叶变换准确提取出滚动轴承故障特征。将该方法运用到滚动轴承仿真和实验信号中,结果表明,提出的方法能够解决VMD参数难以选取的问题,且能从强背景噪声干扰中有效提取出滚动轴承内圈弱故障特征,实现了故障的准确识别,具有一定的实际应用价值。

基于变分模态分解的断路器机械故障诊断

断路器的振动信号包含了许多机械信息。为了更加精确地对断路器的故障进行识别,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和支持向量机结合的方法。首先利用局部极值法确定合适的VMD分解模态数;其次通过VMD将信号分解成多个具有紧支性的模态,计算各模态的奇异值作为特征向量,将其输入支持向量机(Support Vector Machine,SVM),训练故障模型;最后通过SVM诊断测试信号,成功对不同故障进行诊断。

基于改进变分模态分解的齿轮点蚀故障诊断

针对齿轮点蚀故障特征难以提取的问题,提出了一种基于改进变分模态分解的齿轮点蚀故障诊断方法。利用经验模态分解自适应分解的特点,将各分量的能量占比作为有效分量的判断依据,并据此设定变分模态分解算法的模态个数,在此基础上,以变分模态分解分量的排列熵和最小值作为适应度函数,用遗传算法对惩罚因子进行搜索;根据所得结果设置变分模态分解参数,并对齿轮点蚀信号进行处理;筛选合适的本征模态函数进行包络调解,通过包络谱图分析齿轮点蚀故障的特征信息。对齿轮实验信号的分析表明,与现有方法相比,本文中提出的改进变分模态分解算法能够更加准确地识别出齿轮点蚀故障,在传动系统故障诊断方面具有一定实用价值。

MVMD与IEDPE结合的转子故障特征提取方法

为准确表征转子系统不同运行状态,提出一种改进的变分模态分解(Modified Variational Mode Decomposition,MVMD)与瞬时能量分布排列熵(Instantaneous Energy Distribution Permutation Entropy,IEDPE)结合的转子故障特征量化提取方法。利用相关性阈值策略确定变分模态分解(Variational Mode Decomposition,VMD)分解层参数并设计MVMD算法;然后,将采集到的振动信号输入MVMD中进行分解,计算各模态分量的瞬时能量分布;最后,提取各模态分量IEDPE作为故障量化特征。与MVMD+PE、EMD+IEDPE、EEMD+IEDPE进行对比,结果表明,提取的故障特征可更有效地表征转子故障状态之间的显著差别,使故障类别更准确识别。

基于WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂,在复杂的环境因素影响下,其故障特征信号容易受到噪声的影响,导致其难以被识别。针对这一问题,提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先,利用变分模态分解(VMD)对仿真信号进行了分解,使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵;然后,以样本熵最小值为目标寻优,得出了包含故障信号的最佳分量,对得到的最佳分量进行了MOMEDA重构,从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频;最后,为了验证WOA-VMD联合MOMEDA的有效性,在实验台上采集数据,对滚动轴承的外圈故障信号进行了特征提取。实验结果表明:使用该方法可以高效地进行信号的分解寻优,能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明:低信噪比的工况条件下,采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号,并能从重构信号中提取故障特征频率。

基于参数优化变分模态分解的瞬时模态参数识别

针对变分模态分解的模态数和二次惩罚因子难以确定的问题,提出了基于正交性指标、能量比值和变分能量熵的参数优化算法;对于分解得到的单分量信号,发展了基于多项式调频小波变换的瞬时频率识别方法和基于能量法的瞬时阻尼比识别方法。开展了三自由度时变结构仿真研究和时变钢梁实验研究。研究结果表明:优化后的变分模态分解法能够精确分离多自由系统的各阶时变分量,具有较强的抗噪性能;基于多项式调频小波变换的瞬时频率识别方法具有很强的时变频率追踪性能、抗噪声能力强,时变频率识别精度高,平均误差不超过1%;能量法能够较准确地识别结构的瞬时阻尼比,识别误差保持在10%左右,抗噪优势明显。

融入时频能量特征的车内噪声声品质评价方法

为提升车内噪声声品质评价的准确性,建立了一种融入时频能量特征的车内噪声声品质评价方法。该方法首先对车内噪声信号进行变分模态分解获得本征模态分量,再基于Hilbert变换得到各分量的瞬时强度及计权能量,进而获得信号的时频能量特征;在此基础上,建立了以心理声学客观参量和时频能量特征为联合输入的遗传算法优化反向传播神经网络声品质评价模型。应用建立方法对某汽车车内噪声声品质进行评价,其结果与主观评价结果的相关度达93.7%、相对误差小于8.0%,该车车内噪声声品质被准确评价。建立的融入时频能量特征的车内噪声声品质评价方法准确性高,在汽车声品质开发实践中具有良好应用前景。

一种可提取受波动干扰的电压暂降特征的信号处理方法

电压暂降信号中混杂的噪声会模糊暂降起止时刻的检测,而电压波动的干扰则会影响暂降幅值深度的确定,对此设计了一种基于变分模态分解(variational mode decomposition,VMD)的消噪方法及结合小波变换定位的三阶导数普罗尼(third derivative method⁃Prony,TDM⁃Prony)算法。首先将信号进行VMD分解,得到数个有限带宽的固有模态分量(band⁃limited intrinsic mode functions,BLIMFs),对获得的高频BLIMFs进行SURE阈值去噪,然后与低频分量进行重构。然后,对重构信号进行小波变换,定位电压波动及电压暂降的起止时刻,并利用TDM⁃Prony算法对波动信号段进行拟合以获取其信息,实现波动与暂降的分离;最后,对获得的干净暂降信号进行希尔伯特(Hilbert)变换可得其暂降幅值及持续时间。仿真结果表明,文中设计算法可有效地提取受波动信号的干扰的电压暂降特征。

基于AVMD与改进能量算子的非稳态谐波分析

针对非稳态谐波分析中时频参数检测精度较低的问题,提出一种基于自适应变分模态分解(AVMD)与改进能量算子的非稳态电力谐波分析方法。首先,采用AVMD对非稳态谐波信号进行分解,其中采用波形特征匹配法对非稳态谐波信号进行延拓以减轻边界效应影响,并提出能量差和相关系数作为AVMD中模态分解个数的判据;结合模态分量,提出改进间隔采样能量算子快速提取谐波的瞬时幅值和频率,根据差分和信号完成其起止时刻的定位,实现非稳态谐波时频参数的快速准确测量。仿真与实测结果表明,本文方法能够在电网工频波动、间谐波以及噪声干扰等情况下有效完成非稳态谐波的准确检测,实现暂态谐波的精确定位,且对非稳态谐波频率、幅值的最大检测误差分别为0.094 9%和0.931 4%。

基于VMD和FCM聚类方法的电网负荷分类

针对电网数据提取中存在负荷特征不够显化导致负荷聚类精准度降低的问题,提出基于变分模态分解(variational mode decomposition,VMD)和模糊C均值聚类(fuzzy C-means,FCM)的电网负荷特征分类方法。利用VMD提取负荷特征,将负荷曲线转化为多个本征模态函数(IMF)曲线,并通过数据重构得到特征显化的合成曲线,以此提高FCM聚类函数收敛速度和聚类精准度。同时分析不同聚类中心数与本征模态数下的聚类指标结果,为选取最优的本征模态数提供参考。最后以某市电网夜间负荷数据为例,文中所提方法与传统FCM方法相比,聚类指标最多减小0.0224,提高了聚类精准度。

基于VMD⁃ESA和IPOA⁃XGBOOST相结合的异步电机故障诊断

为了提高异步电机故障诊断的准确度,提出一种结合变分模态分解(VMD)、包络谱分析法(ESA)和改进的鹈鹕优化算法优化的极限梯度提升模型(IPOA‐XGBOOST)的智能诊断方法。首先,对实测的异步电机振动信号进行VMD分解,并用ESA计算VMD分解得到的本征模态分量(IMFs)的瞬时能量矩阵;然后用奇异值分解法(SVD)对得到的瞬时能量矩阵进行特征提取;最后,使用提取到的特征向量训练IPOA‐XGBOOST模型,得到异步电机的故障诊断准确率。另外,为了解决鹈鹕优化算法容易陷入局部最优解、寻优速度慢等问题,使用Circle映射改进鹈鹕优化算法。将改进的鹈鹕优化算法、遗传算法(GA)和鹈鹕优化算法进行寻优分析,实验结果表明,改进的鹈鹕优化算法的寻优效果最好。

传感器优化布置的齿轮箱轴承故障特征提取

为诊断齿轮箱轴承故障,构建一种传感器优化布置的齿轮箱轴承故障特征提取方法。提取齿轮箱上箱体模态振型,运用K-medoids算法对节点振型进行聚类,用有效独立法初选测点,以模态置信准则(MAC)为适应度函数,运用遗传算法(GA)寻优,实现传感器位置优化,以构建的综合评价指标对传感器数量进行评价,以此得到齿轮箱传感器优化布置方案;将传感器布置在上箱体采集齿轮箱振动信号,对各路信号进行奇异值(SVD)降噪,对降噪后信号进行基于方差贡献率的信息融合;对融合信号进行变分模态分解(VMD),以信息熵最小为原则对VMD参数优化,选取信息熵最小本征模态分量(IMF)进行Teager能量谱分析,提取滚动轴承故障特征;采用ZDH10型齿轮箱故障试验台进行试验验证,证明所构建方法的可行性。