基于动态模态分解-自适应变步长油浸式电力变压器绕组瞬态温升快速计算方法

为了改善当前油浸式电力变压器绕组瞬态温升计算过慢的问题,该文结合动态模态分解法和自适应变步长法提出了一种动态模态分解(DMD)-自适应变步长(ATS)快速计算方法。首先,该方法引入了动态模态分解算法,利用动态系统中前若干时步提取得到的变化特征,近似拟合其后一段时间内的系统变化,并通过选取主模态降低计算时间。其次,为了提高DMD算法性能,进一步提出结合ATS方法,通过自适应调整计算步长,提高瞬态计算效率;为了验证算法的计算精度和效率,建立了八分区分匝绕组数值传热模型并在此基础上将该文所提算法与仿真软件Fluent的计算结果进行对比,结果表明,在计算精度方面,二者结果几乎一致,计算误差最大不超过0.3 K;对于计算效率,该文算法的总计算时间为5.99 s,仅为Fluent总计算时间的1/89,且算法时间步数仅为Fluent的4.7%。最后,为了验证DMD-ATS算法的工程实用性,基于产品级油浸式电力变压器绕组结构搭建温升实验平台,并将所提算法计算结果与实验结果进行对比,结果表明所提算法在各测量线饼的误差均处在可接受的范围内,最大误差仅为4.57 K,且包含预处理时间在内的计算时间仅为69.14 s,计算时步仅需17步,较当前主流的计算方法效率有明显提高。综合算法的精度和效率,充分说明所提算法具有一定工程价值。

采用变分模态分解与领域自适应的表面肌电信号手势识别

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足,以及新用户因个体生理和行为差异在已有模型上表现不佳的问题,提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法,用于提升手势识别的性能。首先对肌电信号进行变分模态分解,构建易于识别的表面肌电图像,并提出了一种卷积神经网络模型进行手势识别,提升用户相关的肌电信号手势识别准确率;同时利用迁移学习中的领域自适应和模型微调技术,提升用户无关的肌电信号手势识别准确率,并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明:在4组评估验证中,用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果,为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

一种自适应选取参数的改进变分模态分解方法

针对传统的变分模态分解(VMD)方法中模态数和惩罚参数难以确定的问题,提出了一种自适应选取参数的改进变分模态分解方法。首先,综合考虑了故障的冲击性和周期性特点,以Gini指数和谱峰比指标为基础构建了加权谱峰比(WSPR)指标;然后,采用非洲秃鹫优化算法(AVOA)进行了寻优,得到了最佳的模态数和惩罚参数组合,克服了人为主观选择参数的弊端;最后,在VMD分解信号后,利用加权谱峰比最大原则自适应选取了敏感内涵模态分量,对最佳IMF进行了包络解调分析,提取了滚动轴承早期故障特征,利用仿真信号、单一故障滚动轴承试验信号及复合故障滚动轴承试验信号对所述方法进行了验证。实验结果表明:该方法可以准确地提取出仿真信号的故障频率(100 Hz)、单一故障信号的故障频率(236.4 Hz)和复合故障信号的故障频率(内圈故障频率149.14 Hz、外圈故障频率86.39 Hz),并且在与其他方法和指标的对比中,其最佳IMF的包络谱图中故障特征频率及其倍数频的谱峰更加明显,准确率更高且鲁棒性更强。研究结果表明:该方法能够有效提取轴承早期故障信号的微弱特征,实现故障类型准确识别的目的。

基于波浪激励响应自适应变分模态分解的高桩码头桩基损伤识别

波浪激励下高桩码头桩基动力响应存在多类型信号混杂现象,因此信号重构对于码头桩基的损伤检测至关重要。变分模态分解(variational mode decomposition,VMD)方法能够有效避免信号重构中的模态混叠问题,但由于波浪激励下的动力响应频谱复杂,分解所需的模态数和罚因子会严重影响分解结果。为解决该问题,提出了一种自适应变分模态分解方法(improved adaptive variational mode decomposition,IAVMD),该方法通过罚权系数自适应调整各频率分量的罚因子,并通过分解结果的信号完整度来确定最佳模态数。进一步通过波浪激励下的高桩码头模型试验对IAVMD的有效性、适用性进行了验证。结果表明,该方法能够准确分离出动力响应损伤特征子信号,并根据能量因子确定损伤位置和大小。

基于自适应变分模态分解的齿轮箱故障诊断

针对航空齿轮箱故障诊断中采集到的振动信号包含复杂噪声干扰和冗余成分的问题,提出了基于自适应变分模态分解的齿轮箱故障诊断方法。利用综合评价指标完成变分模态分解(VMD)中分解层数K值的自适应选取,通过设置相关系数和能量熵的阈值,筛选同时大于阈值的分量作为包含主要能量且与原信号更加相似的分量进行重构,实现信号的降噪和特征增强。利用结合精细复合多尺度散布熵(RCMDE)对降噪后的信号进行特征提取,充分提取反映振动信号不同时间尺度复杂程度的非线性特征组成特征向量。使用粒子群算法(PSO)优化的核极限学习机(KELM)对所提取的特征进行识别。通过实验验证,该模型10次测试的平均准确率可达95.04%。与其他特征提取和模式识别方法进行对比,所提方法具有更高的诊断准确率,为航空齿轮箱的故障诊断提供了新的方法。

变转速工况下松动故障自适应时频模态分解

松动故障广泛存在于机械设备之中,而在变转速工况下的松动故障诊断仍存在一定挑战.为实现变转速工况下的松动故障诊断,本文提出了一种自适应时频模态分解方法.为提高该方法的多工况自适应能力,针对时频模态分解窗宽参数进行了优化选取,研究了窗宽参数与分解输出的非线性关联特征,实现了不同噪声下的自适应时频模态分解.为验证该方法的有效性,针对支承松动故障进行了实验验证,同时在某工程设备上进行了旋转部件松动故障实验验证.采用自适应时频模态分解算法对实验验证数据进行处理,实现了非平稳特征的模态分解.通过定义和计算各阶次能量占比,完成了振动信号的故障特征分析,实现了松动故障的特征提取与诊断.结果表明,所提方法能够实现非平稳信号的模态分解,对于松动故障具备有效的诊断能力.

基于自适应变分模态分解的组合模型风电功率预测

风电机组出力的高波动与随机性,影响电力系统安全稳定运行与风电预测精度,针对此提出结合风电功率波动特性研究的风电功率预测方法。首先从时间与机组规模尺度分析风电功率波动特性,并指导选取合适的风电数据用于风电功率预测;然后建立基于最小二乘支持向量机的风电机组短期功率预测模型,采用自适应变分模态分解实现风电数据分频,并采用改进粒子群优化最小二乘支持向量机模型中影响回归预测的模型参数。实验结果表明,预测模型自适应性较强,通过预测误差评价指标,可证明预测方法的有效性。

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。

侵彻过载信号自适应变分模态分解时频分析方法

传统过载信号时频分析方法广泛应用于超高速侵彻引信层间粘连机理研究和信号处理方法优化中,但模态混叠效应已成为其应用时的瓶颈。针对该问题,提出一种基于自适应优化变分模态分解(OVMD)的侵彻过载信号时频分析方法。考虑到侵彻过载信号频率成分复杂且具有的非平稳性、随机性特点,该方法以模态的混叠效应和稀疏性作为信号的分解约束,采用非支配排序遗传算法(NSGA-II)搜索获取变分模态分解算法的分解个数和二次惩罚因子,再基于参数优化的变分模型,确定各模态函数的中心频率和带宽,完成过载信号各频率成分的自适应分解。通过对实测侵彻过载信号分析可见,相比于通用经验模态分解算法,该方法可以有效抑制模态混叠现象,且在时域和频域上均具有更好的分辨率,能为引信系统的信号处理、仿真模型验证、结构设计提供有效信息支撑。

改进鲸鱼算法驱动的变分模态分解自适应降噪方法

为了更好地从振动信号中提取有效信息,提出了一种基于改进的鲸鱼优化算法(VSWOA)与变分模态分解(VMD)的振动信号降噪方法。首先,采用Sobol序列初始化种群,以确保种群的均匀分布和多样性。然后,从多个起始点进行搜索,并在搜索过程中引入精英柯西变异策略,以防止算法陷入局部最优解。通过这些改进措施,优化了VMD的参数,使得分解得到的本征模态分量(IMFs)在重构后实现了自适应降噪。实验结果表明,与传统的经验模态分解(EMD)、集合经验模态分解(EEMD)以及鲸鱼优化算法-变分模态分解(WOA-VMD)方法相比,所提方法在降噪后信号失真度更小,同时显著提高了降噪效果和故障特征的保留能力。这表明改进的鲸鱼优化算法能够有效地增强振动信号的降噪性能,为轴承故障诊断提供了更为可靠的方法。

基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

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。

混凝土缺陷信号变分模态分解与超声成像方法

混凝土的强散射特性限制了其中缺陷声波成像的分辨率。该文采用一种依据变分模态分解与全聚焦成像相结合的方法,将接收信号分解成多个本征模态函数,计算各本征模态函数与激励信号的相关系数,对信号加权重构以实现对特征信号的提取,从而提高成像算法对混凝土缺陷间散射波互干扰的鲁棒性。通过设置对比试验,研究了不同缺陷混凝土结构中该信号处理方式对于成像结果的影响。试验结果表明,该方法对于弱散射及散射干扰具有更好的鲁棒性,相比基于原始数据的成像方法能够更好地还原混凝土内部结构。

GPR信号去噪的变分模态分解

为了进一步提高探地雷达(ground penetrating radar,GPR)数据的信噪比,压制由随机扰动引起的随机绕射能量,将二维变分模态分解(two-dimensional variational mode decomposition,2D-VMD)引入二维GPR数据的噪声压制处理中。首先,对GPR数据进行2D-VMD处理,并分析各阶本征模态函数(intrinsic mode function,IMF)分量及其对应的频率-波数域谱来确定雷达剖面中的各回波类型。然后,计算IMF分量与原始数据的互相关系数来确定信号模态和噪声模态,并对信号模态进行重构得到降噪后的数据。理论数据和实测数据测试表明,相比于传统的1D-VMD法,2D-VMD滤波后的含噪正演记录峰值信噪比由6.44 dB增加到7.72 dB;经2D-VMD降噪处理后的雷达剖面在保留有效信号的基础上,可以有效压制随机扰动带来的噪声,并且得到的雷达剖面同相轴连续性更好。

基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型

风速受多种因素影响常伴随着随机性和非平稳性,给风电接入电网造成了相当大的困难,准确的风速预测对风力发电有着极大的研究意义。将变分模态分解算法与鲸鱼算法优化回声状态网络模型相结合,提出了一种风速预测模型。首先通过变分模态分解算法将风速序列分解成多个分量以减少风速内部信号间的耦合性,降低建模难度。然后对这些分量分别建立对应的回声状态网络预测模型。针对回声状态网络模型性能受储备池参数影响较大的问题,采用鲸鱼优化算法对储备池参数进行优化。风速的最终预测值由分解后各分量预测值相加得到。最后,将实际采集的短期风速数据作为研究对象,通过与其他4种预测模型的对比分析表明提出的风速预测模型具有更高的预测精度,能够更好地对风速的变化趋势进行预测。

基于优化变分模态分解的混凝土浅层空洞病害识别

针对开放环境下混凝土空洞病害检测的病害特征识别中噪声干扰、成分识别问题进行了研究,提出了基于优化变分模态分解(improved variational mode decomposition,IVMD)与自由振动衰减速度的混凝土浅层病害声振信号识别方法。该研究建立了混凝土浅层空洞病害的理论模型,仿真了不同工况下的病害特征频率及其变化规律;提出了基于IVMD的信号分解方法,设计了基于Tent混沌与柯西变异优化的麻雀搜索算法联合搜索变分模态分解的关键参数k和α,在最佳分解的基础上提出了基于自相关函数图形、相关系数、衰减系数与频域分布情况的浅层空洞病害本征模态函数(intrinsic mode function,IMF)识别方法;选取幅值衰减评估了特征IMF的衰减速度,得出了基于振动衰减特征的空洞病害识别方法;通过预埋病害模型试验对比分析,验证了所提方法的有效性。研究结果表明,基于IVMD的分解方法能够有效降低噪声及其他成分的干扰,提高空洞病害识别精度和准确度。

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。

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。

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%。

基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。