基于OVMD-MPE算法的隧道爆破振动数据降噪分析

受隧道爆破复杂环境和仪器电磁干扰等因素的影响,实测爆破振动信号多含有高频噪声,通过直接分析原始信号不能有效分析爆破振动规律。为获得真实的爆破振动特征,采用基于最优变分模态分解(OVMD)和多尺度排列熵(MPE)相结合的信号光滑降噪模型,通过仿真叠加信号和工程实测信号进行检验。首先将信号进行OVMD分解得到带限固有模态函数(BIMF),然后将大于MPE设定阈值的高频BIMF作为噪声剔除,最后重构剩余BIMF分量,得到降噪信号。结果表明:OVMD-MPE模型能精确识别信号的频率信息,前两阶分量能有效反映叠加信号的有效成分,适用高精度数据序列分析,提取数据序列特征;相较EEMD-MPE和CEEMDAN-MPE模型,OVMD-MPE模型具备更优降噪性能,降噪误差比、均根方误差和光滑度分别提升22.05%、48%和33.34%,去噪后曲线更贴近原始信号,更适用不同震源距离的爆破信号分析;双子山隧道右线施工时产生的爆破扰动集中于200 Hz以下的中低频段,双子山隧道衬砌结构的固有频率与爆破信号频率相仿,需采取减震措施确保隧道工程的施工安全。

基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测

针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。

OVMD与三维奇异谱特征融合的往复压缩机气阀故障识别方法

针对往复压缩机气阀断裂型故障危害下故障振动波形的变异特点,为提高常见的气阀阀片失效后期断裂型故障的识别率,提出一种基于最优变分模态分解(OVMD)和三维奇异谱融合的诊断算法。通过VMD参数优化,利用多重分形去趋势波动分析(MFDFA)提取模态分量的三维奇异谱参数分析,结合核主分量分析降维提取不同工况模态分量的特征值,并建立完整的OVMD_MFDFA融合诊断识别方案。模拟试验和算法对比证实,该法能有效提高环状气阀阀片断裂故障诊断效率和准确性。

基于OVMD算法集成学习模型的火电厂关键辅机故障诊断

针对火电厂辅机设备运行工况复杂、系统非线性强、易受背景噪声干扰、故障特征难以提取等问题,提出1种基于最优变分模态分解(OVMD)算法的集成学习模型故障诊断方法。首先,使用OVMD算法对辅机的纵向与横向原始振动信号进行预处理,从中提取均方根、裕度、峰值、平均值、波形指标、方差等10个参数作为轻量级梯度提升机(LightGBM)的特征向量。然后,结合集成学习算法构造Bagging-LightGBM集成学习模型。试验结果表明:与单一的LightGBM分类器相比,Bagging-LightGBM集成学习模型对于火电厂辅机故障诊断性能更优。集成学习模型为火电厂辅机故障诊断研究提供了参考。

基于OVMD与SVR的水电机组振动趋势预测

为更好地预测水电机组振动趋势,研究提出了一种基于最优变分模态分解(OVMD)与支持向量回归(SVR)的水电机组振动趋势预测模型。首先基于中心频率观察法与残差指标最小化准则确定OVMD的分解参数,采用OVMD将非平稳振动序列分解为一系列模态函数,并对各模态函数分别进行相空间重构,构建状态矩阵,进而得到SVR回归预测模型的输入、输出,再采用交叉验证的网格搜索策略优化各SVR模型的参数,并分别进行回归预测,最后对所有SVR预测结果进行求和,得到原始振动趋势的预测值。研究对某大型混流式水电机组的振动监测数据进行预测试验,并进行对比分析,结果表明该模型可有效预测水电机组振动趋势。

基于多气象要素降维及改进型变分模态分解算法的光伏发电功率预测模型研究

为了精准预测光伏发电输出功率,文章提出了一种基于多气象要素降维、优化后的变分模态分解(OVMD)技术、自适应t分布的麻雀搜索算法(t SSA)和最小二乘法向量机(LSSVM)的光伏发电输出功率预测模型。利用OVMD技术对输入光伏时间序列数据进行分解处理,引入t SSA对利用各模态分量建立的LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏功率预测模型,并使用了中国东南沿海某地区3 a的气象数据和实时的光伏输出功率数据进行模型性能验证,通过与SVM,LSSVM,VMD-LSSVM和VMDSSA-LSSVM 4种模型的预测性能对比,OVMD-t SSA-LSSVM模型的预测精度和拟合效果均最优。实验数据表明,该模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别小于3%和0.35,决定系数(R-Square)超过了97%。最后,通过光伏气象要素降维处理,进一步提升了OVMD-t SSA-LSSVM模型性能。

分布式机电系统边缘节点信号预处理方法及应用设计

为提高分布式机电系统边缘节点对本地数据过滤和分析的效率及准确性,提出了一种基于最优变分模式分解(Optimal variational mode decomposition,OVMD)的信号预处理方法。首先,利用一阶差分方法有效消除了原始信号中的奇异点,随之利用最优变分模态分解方法对信号进行模态分解,然后进行相关分析,确定各模式与原始信号的相关程度,从而从噪声信号中准确分离出真实的工作信号。在理论与仿真分析基础上,设计开发了分布式机电系统边缘节点预处理系统,并采用信噪比及均方根误差指标评价信号预处理效果。实验结果表明,该机电信号预处理方法及设计的边缘节点预处理系统能够提取不同特征的信号,提高重构信号信噪比,具有较高的保真性和可靠性,为后续系统健康监测、故障诊断等工作提供了数据保障。

刀具振动无线检测系统研究

针对现有刀具振动无线检测系统中传感装置的布置对刀柄改造较大、成本较高等问题,以传感装置低功耗、小型化为设计理念,采用低功耗蓝牙5.0、MEMS传感器及Python,设计了一种用于铣削加工中的刀具振动无线检测系统。传感装置测试及铣削实验结果:相较于已有同类传感装置,系统传感装置保证信号传输性能的同时,降低了功耗,实现了小型化;提出的基于融合指标的OVMD-双树复小波降噪方法的去噪效果优于小波阈值等其他常用降噪方法;与现有无线系统相比,设计的无线系统使用同一CNN模型进行刀具磨损状态识别的准确率更高。结果表明设计的无线系统更具实用性的同时,能有效地保留振动信号中的特征,为刀具磨损状态识别提供了一种获取振动信号的可靠方案。