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。

基于参数自寻优变分模态分解的信号降噪方法

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。

基于稀疏指标的优化变分模态分解方法

针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。

基于变分模态分解的复杂航天器姿态扰动分析

以复杂航天器姿态控制系统为研究对象,在考虑航天器配置挠性帆板和充液贮箱的复杂情况下,对姿态控制系统闭环中由于帆板挠性和液体晃动产生的干扰力矩进行特性分析。基于虚功率法建立复杂航天器整体动力学方程,同时建立帆板振动和液体晃动动力学方程;采用相平面控制律完成复杂航天器姿态闭环控制仿真,对帆板挠性和液体晃动产生的干扰力矩进行数据采集;基于变分模态分解法对扰动力矩时域数据进行时频分析得到其扰动特性,为后续扰动抑制算法的设计提供理论基础。通过数学仿真结果表明该方法的适用性和准确性。

基于变分模态分解的米兰科维奇旋回划分厚层砂砾岩地层层序的方法及其应用

在利用常规测井曲线对厚层砂砾岩储层进行层序细分的过程中,存在界面不清楚、划分标准难以确定的问题,而米兰科维奇旋回作为沉积地层中的一种重要地质事件,在漫长的地质历史时期中具有相对的稳定性,这种特性使得在米氏旋回约束下的层序划分具有更高统一性。利用变分模态分解(VMD)方法对松辽盆地徐家围子断陷营城组四段(营四段)厚层砂砾岩地层中米兰科维奇旋回进行时频分析,提取与米兰科维奇天文周期对应的高频分量,从而实现层序的划分。结果表明:使用变分模态分解(VMD)方法对测井曲线进行处理,对研究区自然伽马曲线进行VMD分解可得到若干个特征分量,通过对比,100 ka周期对应IMF1分量;根据IMF1曲线形态并结合岩性将营四段细分为21个五级层序,并将其组合为6个四级层序,在四级层序界面处,曲线形态发生明显的突变,表现出明显的周期振荡并且有较大的响应幅度。VMD方法在营四段的应用表明,此方法能够对不同尺度的米兰科维奇旋回进行精准识别和划分,并具有较高的精度和可重复性,研究成果可用于砂砾岩地层的高频层序划分。

基于变分模态分解和奇异谱分析的GPR信号去噪

受设备及环境等因素的主要影响,采集的探地雷达(GPR)信号中存在不同程度的噪声干扰.传统变分模态分解(VMD)通过搜寻变分模型最优解分离出不同中心频率的分量实现噪声压制,但最优模态数的选择具有一定主观性,致使重构数据存在不同程度的信号振荡.为优化模态数的选择,并改善信号振荡问题,本文提出基于自适应VMD和奇异谱分析(SSA)的GPR信号去噪方法.首先,引入能量损失比,实施最优模态数的自适应选择,并利用皮尔逊相关系数法提取有效信号;其次,针对变分模态分解后的中低频振荡现象,引入SSA进行二次滤波,进一步提高信噪比.合成Ricker子波实验、合成雷达剖面模拟实验和实测资料验证了变分模态分解奇异谱分析(VMD SSA)方法的有效性.合成Ricker子波实验中,与集成经验模态分解(EEMD)和传统VMD方法相比,经VMD SSA方法处理后的信噪比最大提升13.5878dB;合成雷达剖面模拟实验中,基于VMD SSA方法处理后剖面的信噪比较EEMD和传统VMD方法分别提高3.7659dB和2.6557dB;实测资料处理中也较好地压制了背景噪声及随机噪声,使异常体的信号特征更加突出.

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。

基于变分模态分解和独立成分分析的矿山微震信号降噪

微震信号降噪对P波、S波初至拾取、震源定位和震源机制反演等具有重要意义,为此提出一种基于变分模态分解和独立成分分析的微震信号降噪方法。采用变分模态分解将微震信号分解为特定数目的模态分量,再根据模态分量与原微震信号的相关系数剔除噪音特别大的模态分量。针对噪音与有用信号混合的模态分量,采用独立成分分析提取有用信号,再与剩余的低频模态分量相加得到VMD_ICA降噪信号。此外,采用正弦函数拟合的方法去除VMD_ICA降噪信号存在的工频噪音。信号测试表明:VMD_ICA法和VMD_ICA_Sine法降噪均能有效保留微震信号的局部特征,且其信噪比大于直接去除部分模态分量。矿山微震信号应用进一步表明:VMD_ICA法和VMD_ICA_Sine法均能提高微震信号的信噪比,有效地提高了PAI-K法P波初至拾取效果,且VMD_ICA_Sine法优于VMD_ICA法降噪效果。综上所述,VMD_ICA_Sine法能为矿山微震信号降噪提供一种较好的分析方法。

基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测,可使电网企业掌握不同用户或区域的电力需求,以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为,采用传统方法难以进行统一建模并实现快速准确预测。为此,构建了一种基于DTW Kmedoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先,采用DTW K-medoids法进行用户负荷数据聚类,利用动态时间弯曲(dynamic time warping,DTW)计算数据间的距离,取代K-medoids算法中传统的欧氏距离度量方式,以改善多用户负荷聚类的效果;在此基础上,为充分表征负荷历史数据的长短期时序依赖特征,建立了一种基于变分模态分解(variational mode decomposition,VMD)-多分支神经网络模型的并行预测方法,用于多用户短期负荷预测;最后,使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验,结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低,表明该方法可有效表征多类用户的用电行为,提升多用户负荷预测效率和精度。

应用变分模态分解和随机森林特征选择算法的扬声器异常声分类

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition,VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特征;然后利用随机森林特征计算提取特征的重要性,通过递归特征消除算法提取出相关性较强的特征构造出最优特征子集;最后将最优特征子集输入至随机森林分类器中,实现扬声器异常声的分类识别。试验结果表明,该方法可以筛选出规模较小且识别度较高的低维特征数据集,同时具有更好的平均识别准确率,平均识别准确率为98.61%。

基于VMD和小波分析的油液磨粒信号去噪方法

油液金属磨粒检测传感器通过监测机械设备油路中的金属磨粒,可实时反馈机械设备故障特征。为了提升油液磨粒检测传感器的检测精度,文章提出一种针对油液磨粒信号的变分模态分解(Variational Mode Decomposition,VMD)结合小波分析的去噪方法。首先,通过计算各模态分量与原始油液磨粒信号的相关系数确定最优K值;其次,对原始信号进行VMD分解,筛选出特征分量;最后,利用小波阈值去噪方法对特征分量进行降噪处理。实验结果表明,与经验模态分解(Empirical Mode Decomposition,EMD)和传统小波去噪方法相比,本方法的信噪比最高,均方根误差最小,能量占比最大,在油液磨粒信号降噪效果中表现最好,有利于提升磨粒检测传感器的检测精度。

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition,VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function,IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明:采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。

基于变分模态分解的进动目标微多普勒特征提取方法

针对在低信噪比条件下微动特征不能有效提取的问题,提出基于变分模态分解(VMD)的微多普勒特征分析方法。该方法对Gabor时频分布结果进行高斯平滑滤波处理并结合VMD将微动曲线分解成若干独立曲线,由分解得到的曲线结合其微多普勒曲线特征来估计目标的自旋频率和锥旋频率。仿真结果表明,该方法能够在低信噪比条件下将目标的微动曲线分解成若干独立曲线,并获得其微动频率。

基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法

针对转子裂纹故障特征难于提取,提出了一种基于蝙蝠算法(BA)优化参数的变分模态分解(VMD)诊断转子裂纹故障的方法。将蝙蝠算法应用于变分模态分解,对变分模态分解中参数K和惩罚因子α进行全局寻优,用BA搜索VMD的最优(α,K)组合,迭代过程采用局部极小包络熵为适应度值。仿真分析的结果表明,BA-VMD方法能很好的完成VMD参数K和α的自适应获取,且在抗模态混叠和抗噪声干扰方面的具有明显优势,最后采用BA-VMD方法对裂纹转子的位移信号进行了实验分析,分析结果表明,采用BA-VMD方法处理后的频谱能充分反映出信号的频率特征,且通过频率结构特征很容易识别出转子裂纹的故障特征。

基于变分模态分解的电力系统泛频带振荡辨识方法

振荡问题已成为现代电网面临的重要问题之一,电力系统中多种类型的振荡可能同时出现且频段跨度极大。针对含泛频带振荡模态的信号,首先通过带通滤波器实现不同频段信号的分离,再利用有高噪声鲁棒性的变分模态分解(Variational Mode Decomposition, VMD)方法提取各个振荡模态信号,最后通过Prony算法实现对不同模态参数的辨识。仿真与实际算例分析表明,该方法能够对信号中不同类别振荡模态进行有效区分与提取,精确识别出每个模态的信息。无论针对已发生剧烈振荡的信号或是含有潜在振荡的类噪声信号,该方法均能有效地进行模态辨识。

基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法

针对滚动轴承微弱故障难以识别的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)与奇异值熵融合的滚动轴承微弱故障辨识方法。该方法对滚动轴承的振动信号进行VMD分解获得4个本征模态函数(Intrinsic Mode Function,IMF),并根据一种均方差-欧氏距离指标选择出含丰富故障信息的IMF分量进行信号重构;对重构信号进行奇异值分解获得奇异值对角阵,进而结合信息熵理论求取对角阵的奇异值熵;利用奇异值熵的大小区分滚动轴承的工作状态和故障类型。用美国西储大学的滚动轴承振动信号对所述方法进行验证的结果表明:相比传统EMD奇异值熵故障诊断方法,该方法能够更清晰地划分出滚动轴承微弱故障的类别区间,有助于实现微弱故障类型的准确辨识,为滚动轴承微弱故障诊断提供了一种可靠的评估依据。

基于变分模态分解的模态参数识别研究

基于变分模态分解(VMD),提出一种新的结构模态参数识别方法:①通过自由振动试验或通过随机减量法从结构随机振动响应中获取结构自由衰减振动响应(FDR),并采用VMD方法从FDR中分解出结构模态响应;②通过经验包络法(EE)计算模态响应瞬时频率,并通过一种该研究新提出的方法计算模态响应瞬时阻尼比;③结构的模态振型向量可通过处理所有可用传感器得到的模态响应得到。瞬时模态频率和模态阻尼比可以捕获模态参数的任何瞬态变化。通过一系列数值和试验算例验证了该方法的有效性,突出了该方法的优势,并对该方法抗噪声性能进行了研究。研究表明,该方法适用于线性和非线性系统,且可用于识别具有密集模态和瞬态特性的系统。

基于变分模态分解的水下目标噪声特征提取及分类

当信号中存在异常事件引起的间歇现象时,传统的经验模态分解算法常易产生较为严重的模态混叠现象,严重影响目标特征提取的性能。文章在水下被动目标信号特征分析提取中引用变分模态分解算法。该方法能够自适应地对信号频带进行切割,极大程度上避免了传统模态分解算法所产生的模态混叠现象,提高了对目标特征提取的准确性,同时也避免了无效计算。此外,还利用相关性阈值进行模态选择,一定程度上消除干扰模态。在对变分模态分解(Variational Mode Decomposition, VMD)的各阶模态函数进行希尔伯特变换的基础上,提出一种基于变分模态分解和希尔伯特变换(VDM-Hilbert Transformation, VDM-HT)联合处理的特征集进行目标分类。采用四种分类器对3种水下目标噪声信号进行分类。结果表明,VMD-HT算法所提取的特征集相比其他模态分解算法具有更好的分类性能。

基于变分模态分解和天牛须搜索的磁瓦内部缺陷声振检测

在磁瓦内部缺陷声振检测中,具备可预设尺度和自适应能力的变分模态分解(Variational Mode Decomposition,VMD)在处理相关声振信号时具有明显优势。然而VMD的参数选择范围广且对分解效果影响大,为解决参数的统一预设问题,提出一种基于天牛须搜索(Beetle Antennae Search,BAS)的VMD参数优化方法,并应用于磁瓦内部缺陷检测。该方法首先根据声振信号特点建立基于模态能量和模态中心频率变化规律的目标函数;再利用BAS在参数空间中搜寻目标函数最大值,所需的VMD统一预设参数即为该最大值所对应的参数组合;最后,在该优化参数下对逐个信号进行VMD处理并提取模态中心频率特征,进而由支持向量机完成特征识别。试验结果表明,所提出的方法能有效优化VMD参数并实现磁瓦内部缺陷的快速精准检测。