基于变模式分解方法的电梯机房噪声分析实验研究

本文针对电梯噪声来源识别困难,提出了运用变模式分解方法,找出产生噪声的主要运动部件的方法。在文中实验分析部分,主要针对电梯的旋转运动部件如曳引轮、反绳轮、限速器运动频率的不同,将信号采集卡收集的噪声信号进行变模式分解,把复杂的噪声信号分解为多个单一的噪声分信号,再将分信号进行频域分析,最后将分量信号频域图谱与实验所用电梯的运动部件的相关转动频率进行比对,找出频率相近且振幅较大的噪声分信号,那么此幅值大的信号即是噪声的主要来源,从而指导电梯维修人员准确地找到电梯噪声的主要来源部件。

变模式分解在供水管道漏点定位中的应用研究

针对供水管道中泄漏声信号的非平稳特征,提出了一种基于变模式分解VMD(Variational Mode Decomposition)的漏点定位方法。算法首先利用VMD将传感器所采集的两路泄漏声信号按预设尺度自适应地分解为若干个固有模态函数,而后根据各模态函数与原始信号的相关系数选择分量重构信号,并达到消噪的目的。通过对消噪后的信号作互相关实现时延估计,最终实现对漏点的定位。实验结果表明:VMD分解方法可以在保留泄漏声信号本质特征的前提下,消除噪声对信号的干扰。较传统的EMD方法而言,其定位精度更高。

基于变模式分解的爆震特征识别方法

基于经验模态分解(empirical mode decomposition,简称EMD)算法因递归分解模式所造成的固有缺陷,将使用变分原理进行分解的变模式分解(variational mode decomposition,简称VMD)算法引入到爆震识别领域,发现VMD算法对比EMD算法有较高的计算效率与准确性,而且表现出了较好的鲁棒性,更加适合于在混有强烈背景噪声的缸盖振动信号中提取爆震特征。在此基础上,针对VMD算法分解层数需要手动选择的缺点,利用各阶分量的中心频率之差,提出了一种可以自适应选择VMD分解层数的方法。这种方法的思路为利用VMD算法对信号从一个较小的层数开始进行分解,逐个增加分解层数,直至各阶分量中心频率差值满足预先设定的阈值为止,即可得到最佳分解结果。经实验数据验证与对比,结果显示了这种方法的优越性。

基于变模式分解和频谱特性的自适应降噪算法

机械故障检测过程中,由于反映机械故障的振动信号微弱,很容易被外界噪声干扰信号污染,从而影响机械故障诊断。为提取纯净振动信号,传统EEMD滤波算法虽具有较强的降噪能力,但由于EEMD算法存在缺乏严谨理论基础、运算效率低、容易造成有用信号丢失等缺点,致使降噪效果不理想。为解决以上问题,提出一种基于变模式分解和频谱特性的自适应降噪算法。基于变模式分解优点,通过分析有用信号模态与噪声模态频谱特性,提取有用信号模态从而实现降噪。通过仿真信号与实测信号分析表明,新算法降噪效果优于传统EEMD滤波算法。

基于变模式分解与极限学习机的孤岛检测研究

针对被动式孤岛检测方法易受电能质量扰动影响的缺陷,提出了一种基于变模式分解(VMD)与极限学习机的孤岛自动检测方法。从公共耦合点(PCC)采集逆变器输出电压信号及电流信号,进而利用VMD技术提取特征量,再通过极限学习机进行模式识别来判断是否出现孤岛现象。仿真结果表明,所提方法可以有效检测出孤岛发生,而且能防止电能质量扰动对孤岛检测准确性的影响。

基于变模式分解降噪的滚动轴承故障诊断研究

变模式分解(Variational Mode Decomposition,VMD)是近年出现一种新的自适应分解方法,对其最小化可以把一个信号分解为固有模式。基于此,提出了变模式分解(VMD)降噪。首先通过VMD将故障信号分解为一系列模式,计算各模式与原信号的相关系数,再根据相关系数选择相应的分量进行重构以达到对原信号降噪的目地,之后通过差值形态滤波对重构信号进行解调以提取故障特征。为验证降噪的必要性和有效性,对比了直接差值形态滤波提取特征。仿真信号和对滚动轴承的实验证明了方法的有效性。

变模式分解和熵值法的轴承故障诊断

针对峭度等单一指标筛选最优频带所存在的困难,提出了利用熵值法计算多指标的权重,将多个与滚动轴承故障有关的特征指标进行融合。对轴承振动信号进行变模式分解,再对多个频带进行筛选,后得出最优频带,并对最优频带进行频谱分析。通过实际信号对该方法进行了验证,结果表明该方法能准确判明轴承运行状态。

基于多元变模式分解的机械设备故障诊断方法

机械设备在运行时,其振动信号往往表现为非平稳信号。传统的时频分析方法在处理含有强噪声和强调制的非平稳信号时,常表现出降噪效果不明显、不能准确提取故障特征频率等缺陷。为此,提出一种基于多元变模式分解的机械设备故障诊断方法。通过建立约束变分模型表达式,将多个信号在相同的频率尺度分解为相同数量的固有模态函数(IMF)之和,每一个IMF都是一个调频调幅信号。为验证所提方法的有效性,将所提方法应用于多传感器采集的轴承故障信号分析。结果表明:所提方法对复杂环境下机械设备振动信号的降噪和故障特征提取效果较好,验证了其可靠性。

基于变分模式分解和向量自回归模型的波浪发电系统输出功率预测

为准确预测直驱式波浪发电系统的输出功率,提出基于变分模式分解和向量自回归模型预测方案。通过分析原始时间序列的相关性选择预测特征时间,应用变分模式分解方法将所选特征时间序列分解为不同子序列,经过单位根检验及差分运算,建立每个子序列的向量自回归模型,求和重构子序列模型预测结果获得所选特征的预测初值。建立了直驱式波浪发电系统的波能转换模型,仿真结果表明:所提方案模型具备合理性与可行性,模型预测结果稳定,预测精度高,预测趋势准确。

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。

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。

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。

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。

基于变分模式分解的行星齿轮箱齿轮组合故障频率解调分析

行星齿轮箱组合故障振动信号具有多源调制特点,在频域内边带结构复杂,通过常规Fourier频谱分析难以有效提取故障特征;组合故障振动信号的调频部分包含故障信息,且不受传递路径影响。为了准确提取行星齿轮箱组合故障特征,提出基于变分模式分解的频率解调分析方法。根据采样频率和载波频率确定单分量个数,通过变分模式分解将多分量信号自适应地分解为一系列本质模式函数;计算本质模式函数的瞬时频率,根据中心频率和啮合频率的匹配关系选取敏感单分量;通过分析敏感单分量瞬时频率频谱诊断组合故障。通过仿真信号和实验信号分析验证了方法的有效性,诊断了太阳轮与行星轮、太阳轮与齿圈、行星轮与齿圈的组合故障。

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%。

定量带宽表示下的迭代变分模式分解方法在机械故障诊断中的应用研究

针对变分模式分解方法在实际应用中无法客观地确定平衡参数和分量分解个数的问题,提出了一种基于定量带宽表示下的迭代变分模式分解方法。该方法利用定量带宽与平衡参数关系曲线,在确定信号带宽之后找到最佳平衡参数,并根据最佳平衡参数迭代提取信号分量,再利用峭度准则确定包含故障信息最丰富的分量,最后通过该分量的包络谱进行机械故障特征提取及诊断。该方法减少了人为因素对参数选择的影响,仿真与实验信号分析结果验证了该方法的有效性。

改进变分模态分解的加速度信号降噪方法

变分模态分解算法重构信号的模态分量选取影响加速信号滤除噪声的效果。通过建立模态分解数与输入信号样本熵模型确定模态分解数,计算分解后各模态分量的样本熵大小选取模态分量,经数据平滑处理后重构信号,给出改进的变分模态分解算法,与卡尔曼滤波、小波变换、经验模态分解和传统变分模态分解对比分析滤除信号噪声的效果。结果表明,相比于传统变分模态分解算法,所提改进变分模态分解算法的均方误差降低了3%,对信噪比改善提升了12.35%,说明了改进算法对加速度信号滤除噪声效果更好,更有利于提取被测物体的特征参数信息。