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。

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。

基于参数优化特征模态分解的强背景噪声下滚动轴承故障诊断

为准确提取被强背景噪声掩盖的滚动轴承故障信息,提出一种参数优化特征模态分解(parameter-optimized feature mode decomposition,POFMD)方法。首先,为解决特征模态分解(feature mode decomposition,FMD)方法的输入参数依赖人工经验选取的问题,以平方包络谱峭度(kurtosis of the square envelope spectrum,KSES)为权值,结合平方包络谱基尼系数(Gini index of the square envelope spectrum,GISES)构建加权平方包络谱基尼系数(weighted Gini index of the square envelope spectrum,WGISES)作为目标函数,通过优化算法确定FMD的最优参数组合;其次,为解决FMD的主模态分量难以选取的问题,通过计算所分解模态分量的KSES值选取主模态分量;最后,通过包络谱分析实现故障诊断。经仿真信号和实测信号分析,验证了POFMD在强背景噪声下滚动轴承故障诊断中的有效性。与变分模态分解、最大相关峭度解卷积和谱峭度相比,POFMD有更优越的故障特征提取性能。

低信噪比下基于多元变分模态分解的水下蛙人特征提取

为提高低信噪比下对蛙人辐射噪声的提取能力,提出了一种矢量多通道信号的水下蛙人辐射噪声特征提取方法。首先针对矢量多通道信号使用多元变分模态分解,得到固有模态函数。然后选取能量最高的模态函数组作为研究对象,计算该模态函数组互谱后的加权排列熵。最后提取加权排列熵频谱的蛙人特征量。海试结果表明,本方法可在无需先验信息情况下,提取由矢量水听器采集的蛙人信号特征,在检测率为80%的情况下抗噪能力较传统算法提升了10 dB。

基于变分模态分解和希尔伯特变换的转子非平稳信号故障特征识别

为了提升传统希尔伯特黄变换在处理复杂非平稳信号时的时频分析能力,本文将变分模态分解和希尔伯特变换进行结合,提出了一种时频分析方法变分模态分解和希尔伯特变换。此外,为了对变分模态分解的模态数进行自动调整,还提出了一种基于相关系数的希尔伯特黄变换参数优化方法,有效避免了由于希尔伯特黄变换模态数设置不合理而导致的信号分解不足和分解过剩的问题。利用转子故障信号对变分模态分解和希尔伯特变换方法的时频分析能力进行了验证,并且与传统希尔伯特黄变换的对比突出了该方法在处理非平稳信号中的优势。

基于集合经验模态分解和指数能量法的水泵水轮机尾水管压力脉动信号特征提取

提取水泵水轮机尾水管压力脉动信号中的动态特征信息,准确识别涡带强度,是近年来水泵水轮机工程领域的研究重点。本文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和模态指数能量法,对某水泵水轮机发电工况不同负荷下的尾水管压力脉动信号进行特征提取,得到如下结论。首先,基于EEMD的模态指数能量能够有效地反映信号中的能量分布规律。其次,在涡带增强过程中,基于EEMD的最大模态指数能量不断升高,表明尾水管内的流动状况变得更加复杂,涡带特征信息也更加丰富。最后,使用最大与平均指数能量构建的特征向量能够准确反映不同的尾水管涡带强度,并且能够作为智能分类器的输入特征向量,有利于后续进一步的识别与诊断,具有重要的工程意义。

基于改进特征模态分解和谱峭度的滚动轴承故障诊断

考虑到滚动轴承的故障信号通常表现出非平稳、容易受到干扰而无法被有效诊断的特点,提出一种改进特征模态分解(feature mode decomposition,FMD)和谱峭度(spectral kurtosis,SK)的滚动轴承故障特征提取方法。首先,对FMD的滤波特性进行研究,合理选择其两个重要输入参数;其次,采用FMD对滚动轴承故障信号进行处理,得到多个模态分量的分解结果,并通过计算各模态分量与原始信号的灰色关联度及互信息来选择最佳模态分量;最后,通过谱峭度对最佳模态分量进行带通滤波来凸显信号中的周期性冲击成分,从而有效实现故障特征频率的提取。通过分析仿真信号和实验数据的结果,发现提出方法可以有效提取故障信号特征频率的包络谱峰值和倍频谐波部分,且相比于其他方法,谱线特征更加明显,说明使用该方法对滚动轴承出现的故障进行诊断是可行的。

一种改进特征模态分解的滚动轴承复合故障特征提取方法

针对滚动轴承故障信号非平稳、多分量并伴随强背景噪声,导致其复合故障特征难以有效分离的问题,提出一种改进特征模态分解(feature mode decomposition,FMD)的特征提取方法。采用FMD将滚动轴承复合故障信号分解为一系列模态分量,对影响分解精度的关键参数特性进行研究,提出了相关参数选取方法。从信号间关联程度和能量角度出发,通过综合评价因子算法选择对故障敏感的模态分量,并经包络解调获取敏感模态分量的包络谱以提取故障特征频率,实现滚动轴承复合故障的诊断。通过仿真信号及实测信号分析,并同变分模态分解(variational mode decomposition,VMD)方法进行比较。结果表明,所提方法可有效抑制噪声干扰影响,提升滚动轴承故障特征信息获取能力,实现滚动轴承复合故障的有效诊断。

基于经验模态分解的船舶辐射噪声特征提取研究

船舶辐射噪声中的线谱分量具有较高的强度和稳定度,通过测定并跟踪线谱,可以精确地估计目标的运动参数。为此,研究基于经验模态分解的船舶辐射噪声特征提取方法。首先,构建船舶辐射噪声数学模型,用于获取船舶辐射噪声信号;然后,运用经验模态分解方法提取船舶辐射噪声的7个经验模态分量和1个余项,并计算船舶辐射噪声经验模态分量的样本熵;最后,选择样本熵最大的船舶辐射噪声检验模态分量作为船舶辐射噪声的特征。实验结果表明,该方法可以准确获得船舶运行设备的辐射噪声,且具备较强的舰船辐射噪声分帧能力。该方法还可以有效地将舰船辐射噪声分解成不同经验模态分量,大大降低了船舶辐射噪声余项接近零。

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。

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition,EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

基于固有模态特征向量的混合多端直流输电线路单端量保护方案

混合多端直流输电系统送、受端边界不对称,T区边界不明显,现有直流线路保护难以直接适用,且存在耐过渡电阻能力不足、未考虑T区故障的识别等问题。为此,提出一种基于固有模态特征向量的混合多端直流输电线路单端量保护方案。首先分析线路边界及T区的频率特性,并结合变分模态分解算法对故障信号进行自适应分解,据此筛选出有利于放大区内外故障特征差异的固有模态。接着利用筛选后的模态幅值构造保护特征矩阵以充分利用故障信息,并进一步通过从矩阵到向量的降维方法减少计算量。针对筛选过程引起的特征向量维数不统一问题,建立基于模态中心频率的向量元素合并准则以重构向量使其具有统一维数。最后利用区内外故障对应的特征向量幅值具有明显差异的特点,提出了以向量距离为度量的单端量保护判据。通过仿真表明,所提保护在不同故障条件下均能准确识别,可靠性高,且具有较强的耐过渡电阻能力(500?)和抗噪声能力(20 dB)。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

一种基于逐次变分模态分解的谐波检测方法

传统谐波检测算法受噪声影响导致检测精度低,并且边界处容易出现畸变。对此,本文基于逐次变分模态分解,提出一种结合小波降噪和特征波形匹配延拓的谐波检测方法。首先,通过构造的自适应小波阈值函数对信号进行平滑降噪,剔除不良数据对分解结果的干扰;其次,利用特征波形匹配延拓法对信号边缘进行延拓后再裁剪,遏制边界效应带来的波形端点处畸变;最后,使用逐次变分模态分解对谐波信号进行检测,提取稳态谐波的幅频信息以及定位暂态谐波的起止时刻。仿真实验表明,本文提出的方法有效降低了噪声的干扰,并减轻边界效应造成的波形畸变。在电弧炉实例信号仿真中,幅值平均误差和频率平均误差分别为0.545%和0.146%。

基于复合基尼指数和最大相关峭度特征模态分解的轴承故障诊断算法

最大相关峭度特征模态分解可以有效去除冗余信息,实现故障特征增强,但是其效果受分解模态数量、初始化滤波器个数和滤波器长度的影响。针对此问题,文章提出了一种基于复合基尼指数(Compound Gini Index,CGI)与最大相关峭度特征模态分解(Maximum Correlated Kurtosis Feature Mode Decomposition,MCKFMD)的轴承故障诊断方法。首先,将时域平方基尼指数和频域平方基尼指数结合,构建了一种能够同时量化时域和频域周期性脉冲丰富度的新稀疏测度指标,命名为复合基尼指数,并对其性能特性进行评估验证;其次,使用CGI作为沙丘猫群优化算法(Sand Cat Swarm Optimization,SCSO)寻优的适应度函数,快速准确地得到MCKFMD的最优参数组合,实现故障信号的自适应分解;最后,利用CGI选取最优模态,并进行希尔伯特包络解调,实现故障特征提取。通过仿真信号和试验信号验证了所提方法的有效性。对比性研究表明,与参数优化VMD和固定参数MCKFMD相比,文章所提方法在提取周期性故障特征方面更为有效。

基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法

电力负荷序列易受多重外部因素影响而呈现复杂性,不利于精准预测。为此,提出一种基于变分模态分解(variational mode decomposition,VMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short-term memory network,CNN-LSTM)相结合的短期电力负荷并行预测方法。先采用VMD将负荷数据分解为规律性强的各本征模态函数(intrinsic mode function,IMF)及残差;再将各分量分别输入到各自对应的CNN-LSTM混合预测网络,获得各初始预测值,并将该值与由气候、日期类型等组合得到的相关因素特征集相结合,进一步得出修正预测值;最终,叠加各分量修正预测值即得到完整预测结果。在实际负荷数据上做验证分析,结果表明,考虑相关外部因素特征集后日负荷预测平均相对误差均值可降低2.18%。与几种常规负荷预测方法进行效果对比,验证了该方法的有效性和可行性。

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。

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。

改进辛几何模态分解的滚动轴承故障特征提取

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解(Improved Symplectic Geometry Modal Decomposition,ISGMD)滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量(Cluster Symplectic Geometry Component,CSGC)并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。