基于形态变分模态分解和JRD的航天器异常状态识别

针对在轨航天器微弱异常难以识别问题,提出了一种基于形态变分模态分解和JRD距离的异常状态识别方法。首先利用形态变分模态分解将航天器遥测数据分解为不同频率的多尺度模态分量,然后提取各模态分量的Rényi熵,将得到的Rényi熵向量作为遥测数据的特征,最后通过计算样本数据与实测数据特征之间的JRD距离,实现对航天器异常状态的识别。以某卫星反作用轮转微弱异常转速实测数据对该方法进行仿真验证,仿真结果表明,提出的识别方法能够有效识别航天器异常状态,且在识别速度上具有明显优势。

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。

基于改进VMD和L-M神经网络的局部放电信号去噪

为有效去除局部放电信号中的噪声干扰,提出改进VMD(Variational Mode Decomposition)算法和L-M神经网络的去噪方法。利用噪声预处理结合分解能量误差自适应地确定VMD算法的最优模态分解层数;引入正态分布直方图区分局部放电信号和窄带干扰信号,重构局部放电信号;利用L-M神经网络对残留白噪声进行拟合滤除。所提方法对仿真和实测信号进行去噪处理,并与传统去噪方法对比。结果表明,所提方法的去噪评估指标更明显,对噪声干扰的去除效果更优。