基于变分非线性调频模式分解的直驱式波浪发电系统控制

海浪的非平稳特性会影响直驱式波浪发电系统能量捕获,为此提出基于脊线检测与变分非线性调频模式分解的控制方案。采用短时傅里叶变换方法分析波浪激励力,结合脊线检测设定初始频率;应用变分非线性调频模式分解法分离波浪激励力,获得若干模式分量并提取其瞬时频率;通过计算各模式分量的能量含量确定主导分量,根据其瞬时频率动态调整动力输出装置阻尼,搭建直驱式波浪发电系统模型。仿真结果表明,所提方案能量吸收性能好、输出平均功率高,可有效改善直驱式波浪发电装置性能。

基于脊路跟踪的变分非线性调频模态分解方法

针对多个辐射源信号混合构成的多分量信号分离问题,提出基于脊路跟踪的变分非线性调频模态分解算法.该方法使用改进的脊路重组算法对时频分布图中各分量瞬时频率进行提取,将提取出的各分量瞬时频率作为变分非线性调频模态分解的预设频率;利用重构后的多分量信号进行瞬时频率提取,更新预设频率后继续模态分解;重复上述过程,直到迭代前、后频率差值小于预设阈值,输出对应的模态分解结果.实验结果表明,基于脊路跟踪的变分非线性调频模态分解算法比经典变分非线性调频模态分解算法具有更好的多分量信号分离效果.

基于数据驱动自适应变分非线性chirp模态分解的瞬时频率识别

为降低初始频率和信号噪声对变分非线性chirp模态分解(variational nonlinear chirp mode decomposition,VNCMD)的影响,提出了一种基于数据驱动自适应变分非线性chirp模态分解(data-driven adaptive variational nonlinear chirp mode decomposition,DDAVNCMD)的方法。通过模态能量占比确定响应信号的模态个数,同时采用导数归一化算法初步估算模态分量的初始频率,并添加迭代时变滤波器来降低噪声的影响,在此基础上再对响应信号进行VNCMD。通过单分量和多分量解析信号及拉索结构试验对所提方法进行验证。研究结果表明,基于DDAVNCMD的瞬时频率识别方法具有较好的准确性和抗噪性。

基于优化变分模态分解和复杂度的农产品期货市场非线性特征研究

本文基于优化变分模态分解(GAVMD)与复杂度相结合的方法,对大连和郑州商品交易所近5年的农产品期货市场交易额进行非线性分析。首先对两交易所的农产品期货交易额进行GAEMD分解,对遗传算法(GA)对变分模态分解(VMD)的参数进行优化,自适应确定最优参数。其次,筛选出蕴含农产品期货市场交易信息最丰富的有效基本模式分量(IMF)分量,计算IMF的复杂度指标,再求得复杂度综合指标。结果表明,该方法可以对农产品期货市场交易额非线性特征进行评估,能够有效地定量识别不同交易所的农产品期货交易额非线性特征。

基于逐次变分模态分解的飞轮-火电一次调频控制策略

随着新型电力系统的大力建设与推广,火电机组面临的调频压力增大,提出一种逐次变分模态分解的飞轮-火电一次调频控制策略。首先,以飞轮储能和火电机组为研究对象,建立考虑新能源占比的飞轮-火电一次调频模型;其次,将一次调频功率指令利用逐次变分模态方法分解,由火电机组响应分解后的低频功率指令,同时设计飞轮储能下垂优化控制方法,实现飞轮储能与火电机组响应频率变化的协同控制;最后在不同工况下仿真验证,结果表明所提策略可有效避免火电机组一次调频时的频繁出力,减小火电机组响应频率变化时的调控要求,同时可最大限度地利用飞轮储能调频容量并保证飞轮储能调频期间的运行安全,进一步提升了系统的频率响应能力。

非线性调频模式分解及在机械设备故障诊断中的应用

由于机械设备传动系统中的关键零部件如轴承的振动信号具有典型非平稳的特征,将非线调频模式分解算法引入到机械设备故障诊断中,实现了对轴承等关键零部件早期微弱故障的特征识别。该方法在变模式分解理论的基础上,利用解调算子,将宽带信号变为窄带信号,实现了复杂信号的多尺度分解,同时使得多组分信号具有较高的时频分辨率。利用该方法对具有时频交叉干扰特性的仿真信号和故障实验台的实测轴承信号进行了分析,结果表明提出的方法在复杂信号模式分解和故障特征识别方面具有明显的优势。

基于凸优化的非线性调频模式分解的故障诊断方法

针对非线性调频模式分解(VNCMD)在处理机械故障振动信号时,噪声导致时频模糊致使提取的脊线的准确度降低,进而影响VNCMD分解效果的问题,提出一种凸优化与VNCMD的联合故障诊断方案。通过凸优化算法求解信号的稀疏近似解来消除噪声,这可以提高时频面可读性,从而获取精准的时频脊线,然后利用该脊线VNCMD分解算法可以有效提取信号的故障特征。通过模拟信号和实测轴承外圈故障信号的分析,结果表明该方法可以有效提取轴承故障特征。

基于变分非线性调频模态分解的滚动轴承多故障诊断方法研究

基于变分非线性调频模态分解,提出一种滚动轴承多故障诊断方法。对滚动轴承多故障振动信号分量的瞬时频率和瞬时幅值进行估计;在此基础上,通过最小化信号的带宽实现滚动轴承故障信号的重构。对比所提方法与变分模态分解法,通过实验案例对所提方法进行验证。结果表明:所提方法明显优于变分模态分解方法,即使在强噪声背景下,仍能有效地实现滚动轴承多故障信号的分解与重构,可以有效地诊断滚动轴承多故障。

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法(PSO)对变分模态分解(VMD)进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络(NARX)进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元(GRU)进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的(PSO-VMD)-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机(SVM)和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。

基于改进变分模态分解及多重分形的轴承信号非线性分析

考虑轴承故障初期具有特征信号微弱、易受噪声干扰以及非线性强等特点。基于分形盒维数提出改进变分模态分解提取轴承故障信号非线性信息方法(Improved Variational Mode Decomposition for Nonlinear Features Extraction,IVMD-NFE)。又因非线性信号的多测度性,采用多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis,MF-DFA)法,研究各故障信号的多重分形特征。以滚动轴承实验数据为研究对象,采用IVMD-NFE与MF-DFA方法对轴承初期信号进行故障分析与诊断。结果表明:采用IVMD-NFE方法提取的信号可较大程度滤除噪声且具有更低的分形盒维数,提取的非线性特征更具代表性;轴承故障信号呈现多重分形特征,外圈故障的奇异指数α;最大,非线性最强,保持架故障时α;最小,非线性最弱,说明通过数据复杂度可较好反应轴承运行状态,而采用VMD或直接对原始信号进行处理的方法,未能提取有效非线性特征,导致故障区分失败。

优化递归变分模态分解及其在非线性信号处理中的应用

经验模态分解一类的递归算法所产生的模态混淆和端点效应将导致所获物理信息失真,变分模态分解可改善这些问题.但因其需预设参数,对信号分解精度影响显著,为此,提出采用目标信号功率谱峰值所对应的频率以初始化变分模态分解所需中心频率,借鉴经验模态分解递归模型,基于能量截止法将变分模态分解改进为递归模式算法,并采用粒子群优化算法对具有带宽约束能力的惩罚因子进行最优取值,构成优化递归变分模态分解.通过对比分析经验模态分解,集成经验模态分解及优化递归变分模态分解在分解信号时的计算精度;研究传统变分模态分解与优化递归变分模态分解在处理实际振动信号时计算速率.结果表明:优化递归变分模态分解在处理目标信号时精度最高,与原分量相关性达99.9%;与集成经验模态分解对比,可由低至高将信号分解至不同频段,物理意义更加清晰且不产生虚假模态;处理实际非线性信号时,优化递归变分模态分解无需预设分解模态个数,相比于传统变分模态分解,计算速率高12.5%-18.5%.

含非线性源项的变分不等式的加性区域分解法(英文)

本文研究一类求解非线性变分不等式的加性区域分解法,其中区域分解为非重叠子区域,在界面上采用Robin条件,得到了算法的收敛性,而且数值算例表明,选取适合的Robin参数可加快算法的收敛速度.

改进变分模态分解与多特征的通信辐射源个体识别方法

针对通信辐射源指纹特征难以提取和单一特征识别率不高的问题,并考虑到通信辐射源细微特征的非线性、非平稳特点,该文提出了一种基于改进变分模态分解和多特征的通信辐射源个体识别方法。首先,为了获得变分模态分解的分解层数和惩罚因子的最优组合,采用鲸鱼优化算法对通信辐射源符号波形信号的变分模态分解方法进行了改进,该方法以序列复杂度为停止准则,使每个符号波形信号能够自适应地分解出包含非线性指纹特征的高频信号分量和数据信息的低频分量;然后,根据相关阈值选取能够最佳表征辐射源非线性特征的高频信号分量层数,分别对其提取模糊熵、排列熵、Higuchi维数以及Katz维数并组成多域联合特征向量;最后,通过卷积神经网络实现通信辐射源个体识别分类,利用ORACLE公开数据集进行实验。实验结果表明:该方法有较高的识别精度且具有良好的抗噪声性能。

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。

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,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。

基于反馈变分模式分解的单通道盲源分离算法

针对源信号数目未知时,变分模式分解(VMD)算法分离单通道混合信号的性能受人为设定的模式分量中心频率间隔Δf影响大、复杂度高的问题。提出了基于反馈机制的VMD单通道盲源分离(VMDF-SCBSS)算法;首先利用VMD将观测信号分解为两个模式分量,其次利用相似系数衡量模式分量纯度,将最纯的模式分量反馈到输入端并从输入信号中减去,最后根据所提出的由相似系数构造的循环迭代终止条件判断是否继续分解。仿真结果表明,VMDF-SCBSS算法无需人为确定Δf,能很好地分离单载波源信号并估计源信号数目,算法复杂度较低。

基于变分模式分解和门循环单元的电子系统间歇故障严重程度评估方法

针对电子系统间歇故障信号受噪声影响大且冗余信息多,导致深度神经网络模型对间歇故障严重程度评估能力受限的问题,该文提出一种基于变分模式分解和门循环单元(VMD-GRU)的间歇故障严重程度评估方法。先通过变分模式分解(VMD)对间歇故障信号进行自适应分解得到所有固有模式函数(IMF)分量,再对IMF分量进行相似度分析选择敏感分量,并利用微分增强型能量算子构建严重程度敏感因子。最后,利用严重程度敏感因子训练门循环单元(GRU)循环神经网络评估模型。通过对电子系统的关键电路注入不同严重程度的间歇故障进行评估,结果表明该方法有较强的间歇故障严重程度评估能力,评估结果更加准确有效。

完全广义非线性含参隐拟变分包含的灵敏性分析(英文)

在q一致光滑Banach空间中,引入了一类新的含广义m增生映象的完全广义非线性含参隐拟变分包含,并研究了这类变分包含的灵敏性分析.

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。

基于变分模态分解的高比例新能源电网调频储能需求计算方法

高比例新能源并网将加剧电力系统调频压力,锂电池、超级电容器等新型混合储能参与电力系统调频可有效提高系统调节性能,有利于促进新能源消纳。从净负荷波动量以及预测偏差量等影响系统功率不平衡分量出发,考虑风光预测误差的互补特性,基于变分模态分解(variational modal decomposition,VMD)及蒙特卡洛模拟提出了系统调频容量及速率需求测算方法,采用概率分布统计模型和系统调频成本-效益模型进行混合储能需求评估,对比了不同新能源装机占比时电网调频容量及混合储能需求变化关系,以中国某省级电网为例验证了所提方法的可行性和有效性。