基于VMD-SVM的三相异步电机故障诊断方法

针对三相异步电机信号的不稳定性及故障特征提取困难问题,提出一种基于变分模态分解(VMD)与支持向量机(SVM)相融合的电机故障诊断方法。该方法首先将采集的信号通过VMD分解得到IMF分量;其次,计算各个IMF分量的能量,再将其构成特征向量;最后对每种状态随机选取400组输入SVM模型训练,将剩余每种状态100组用于测试,通过预测标签与实际标签的比较来判断电机的故障状态。采用该方法对4种不同的电机状态进行故障诊断,结果表明与完全自适应噪声集合经验模态分解(CEEMDAN)、变分模态分解(VMD)提取各IMF能量特征相比,基于VMD-SVM的三相异步电机故障诊断方法更具优越性。

基于VMD-SVM的管道漏磁检测信号特征辨识

传统管道漏磁检测信号处理出现混叠、过包络发散、低频异变等问题,导致缺陷信号特征量提取与识别效果不理想。针对上述问题,基于变分模态分析-支持向量机(Variational Mode Decomposition-Support Vector Machines, VMD-SVM)算法完成管道漏磁信号特征辨识。采用四阶VMD处理管道漏磁信号,解决了经验模态分解(Empirical Mode Decomposition, EMD)的过包络引发的信号发散问题,也解决了小波分解(Wavelet Transform, WT)的低频信号异变问题。同时,以峭度最大原则选择最佳的模态分量(IMFm),提取模态分量的特征量,建立样本集。最后,采用SVM算法对信号特征量进行辨识分类,优选核函数,提高辨识精度。利用现场采集信号进行验证,结果表明:VMD-SVM算法抗干扰性强、识别精度高。

基于VMD-SVM的滚动轴承退化状态识别

针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(IMF),然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。

小样本条件下基于VMD-SVM的电网技改项目科技投资预测

随着我国电力改革体制不断推进,以输配电服务为主的盈利模式要求电网企业对经营成本作出更精确的控制。电网技改工作对电网企业的运营成本具有较大影响,但由于相关历史数据少,采用常规预测模型难以对电网企业技改项目的年度科技投资进行科学和客观的预测。为此,针对电网技改项目科技投资年度预测属于小样本预测的特点,选取支持向量机(SVM)模型作为预测模型,并且在预测开始之前进行变分模态分解(VMD),通过将技改科技投资数据分解为特征各异的子序列,将每一个子序列数据通过不同的SVM模型进行预测,得到各子序列的预测结果后对子序列的预测结果进行叠加,从而得到最终预测结果。最后通过某区域电网的实际数据验证,得到基于VMD-SVM的电网技改项目科技投资预测方法的预测精度为1.51%,而单采用同参数SVM模型的预测精度为2.02%,证实基于VMD-SVM的电网技改项目科技投资预测方法的有效性。

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解(variational mode decomposition,VMD)-支持向量机(support vector machine,SVM)方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数(IMF)后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。

基于二次分解和支持向量机的月径流预测方法

针对径流序列的非线性和非平稳性特征,提出了一种基于加权回归的季节趋势分解(STL)和变分模态分解(VMD)组合的二次分解,结合支持向量机(SVM)的月径流预测模型STL-VMD-SVM。该模型利用STL将原始径流序列分解为不同频率的季节项、趋势项和残差项,并通过VMD将残差项分解为IMF s。建立SVM模型预测季节项、趋势项和IMF s,所有IMF s的预测值之和为残差项的预测值,季节项、趋势项和残差项之积为原始径流序列的最终预测值。基于伊洛河流域黑石关站及黄河干流高村站的月径流时间序列进行了实例应用及普适性评价,并与BP神经网络模型和长短期记忆神经网络模型(LSTM)进行对比。结果表明:对于伊洛河黑石关站径流预测,所提模型验证期的NSE、MAPE、RMSE、R分别为0.977,13.705%,0.327,0.991,其预测精度均优于单一模型和一次分解模型,STL-VMD二次分解可以有效提高模型预测精度;在黄河干流高村站径流预测中验证期的NSE、MAPE、RMSE、R分别为0.979,8.509%,3.263,0.989,也达到了很好的预测效果。

基于SABO优化VMD-WTD-SVM的滚动轴承故障诊断模型

针对滚动轴承在运转过程中发生故障时故障类型难以提取和识别的问题,文章提出了一种基于减法平均优化器(subtraction-average-based optimizer,SABO)优化变分模态分解(variational mode decomposition,VMD)联合小波阈值去噪(wavelet threshold denoising,WTD)来提取故障特征,并与支持向量机(SVM)相融合的滚动轴承故障诊断模型。首先,以最小包络熵为适应度函数,通过SABO优化VMD中关键参数组合(K,α)的选取。其次,根据得到的参数对故障信号进行VMD分解,通过包络熵值和峭度值选择其中的有效分量再次进行WTD处理,重构后得到最佳信号分量。最后,计算最佳信号分量对应的9个特征数据作为当前信号的特征向量,并输入到SVM进行训练和故障识别。与其他方法相比,本模型在滚动轴承故障诊断方面表现更为突出,故障识别准确率达到了98.666 7%,具有良好的实际应用价值。

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。

基于VMD和KFCM-SVM的高压断路器声振联合故障诊断方法

针对高压断路器机械故障复杂、故障特征提取困难的问题,提出一种变分模态分解(variational mode decomposition,VMD)与KFCM-SVM相结合的高压断路器声振联合故障诊断方法。首先利用VMD对去噪后的振动和声音信号进行分解,得到一系列反映断路器操动过程机械状态信息的本征模态函数(IMF);然后对各IMF分量进行Hilbert变换,构造相应的Hilbert边际谱,求取能量熵作为特征向量;最后采用模糊核C—均值聚类(kernel fuzzy C means,KFCM)对特征进行预分类,再利用支持向量机(SVM)建立训练模型实现机械状态辨识。实验结果表明:声振信号Hilbert边际谱能量熵对高压断路器机械状态变化敏感,KFCM-SVM能够准确识别高压断路器分闸操动过程中的机械故障。

基于DIGWO-VMD-CMPE的轴承故障识别方法

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。

基于频谱相关性分析的齿轮早期磨损诊断

基于振动分析的齿轮故障检测已被证明在故障识别中是有效的,但对表征早期磨损的振动信号的提取和识别仍没有得到很好的解决.本文提出一种基于频谱相关性分析的变分模态分解(VMD)和核支持向量机(SVM)相结合的齿轮早期磨损诊断方法,对能够揭示早期磨损状态的微弱齿轮振动信号采用近似完全重构的准则来初始化模式数,并采用信号功率谱密度最大值对应的频率初始化VMD方法的中心频率,用以有效提取齿轮磨损信息,进而结合核支持向量机进行齿轮的早期磨损诊断.实验结果表明,所提方法可有效克服背景噪声大无法预设模式数的问题,对噪声具有更好的鲁棒性,诊断准确率达到94.4%,可为齿轮早期磨损检测提供解决方法.

基于WOA-VMD与WOA-SVM的PMSM退磁故障诊断策略

为解决高温和退磁磁场引起的永磁同步电机退磁问题,该文提出一种基于变模态分解和支持向量机的退磁故障诊断策略。首先分析了永磁同步电机退磁故障的故障机理和传播路径,并利用Matlab/Simulink建立了退磁故障模型;然后选取不同退磁程度下的相电流信号作为故障信号,采用鲸鱼算法优化变模态分解(whale optimization algorithm variable mode decomposition,WOA-VMD)的方法提取退磁故障特征;最后利用鲸鱼算法优化支持向量机(whale optimization algorithm support vector machine,WOA-SVM)的方法对故障数据进行诊断分类,并与未优化的支持向量机和其他故障诊断算法对比,说明其有效性和准确性。

基于峭度加权VMD和熵特征的雷达脉内调制识别

针对复杂电磁环境下识别雷达信号脉内调制样式困难以及受噪声影响识别准确率受限的问题,提出了一种将变分模态分解(Variational Mode Decomposition,VMD)与熵特征提取相结合的识别方法。首先,通过基于峭度加权的改进VMD算法对雷达信号进行分解,得到由三个本征模态函数组成的最优分量集合;其次,对各分量分别计算其模糊熵、排列熵和符号熵值,从而实现对熵特征信息提取;最后,将特征向量输入到支持向量机完成识别。相较于其他方法,该方法有着较高的识别准确率和抗噪性能,在2 dB信噪比以上平均识别准确率为94.63%。

基于多特征融合与优化支持向量机的小电流接地故障区段定位方法

针对配电网小电流接地系统单相接地故障频发及发生高阻接地时故障特征信号微弱等问题,提出一种基于多特征融合与优化支持向量机的小电流接地故障区段定位新方法。首先,结合单相接地故障时主谐振分量能量最大原理确定变分模态分解的最优分解层数,分解故障线路上各区段的零序电流得到平稳的本征模态分量;其次,挖掘暂态信息中能充分体现故障检测点差异性的5种特征量,即衰减直流分量衰减速度、暂态主频分量峰值与稳态工频分量幅值比、暂态主频分量与衰减直流分量能量比、相邻检测点故障零序电流波形差异系数、相邻检测点暂态主频分量极性比,构造多维度特征向量,输入到经改进鲸鱼算法优化的支持向量机分类模型中训练测试。仿真结果表明,本文定位模型能够准确判别故障区段。

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明:ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。

基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题,创建一种应用改进鲸鱼优化算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取;其次,为改进鲸鱼优化算法,采取精英反向学习策略增强种群的广泛性,选用非线性因子并加入随机扰动策略增强探索能力;通过4组基准测试函数,将IWOA与4种优化算法对照分析,验证了此改进算法的优越性;最后,将SVM的惩罚参数和核函数参数放入IWOA中,构建IWOA-SVM故障分类模型。故障诊断的结果表明,用IWOA-SVM分类模型在故障诊断中拥有更好的效果,准确率达到100%。

基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用,以及包含故障信息的特征参数的选取问题,提出了自适应变分模态分解(AVMD)算法。该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数,利用蚱蜢算法(GOA)寻优,获取VMD的分解参数(K op,αop),接着对原始振动信号进行VMD分解,通过能量百分比的计算,选取能量90%及以上的敏感模态,对其多域联合的特征参数构建特征向量,最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别。通过滚动轴承数据集分析表明,采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高,在测试数据集上的准确率达到99.1667%。

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition,VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function,IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明:采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。

基于改进VMD和AdaBoost-SVM的隔离开关振动信号提取与故障诊断研究

传统隔离开关操动机构机械故障振动特征提取方法精准性不高,故障诊断方法不够可靠。针对此问题,提出改进变分模态分解(Variational Mode Decomposition,VMD)与支持向量机(Support Vector Machines,SVM)相结合的故障诊断新方法。采用鲸群优化算法(Whale Optimization Algorithm,WOA)选择VMD的模态分解个数和惩罚因子,同时引入包络熵和相关系数构造适应度函数,弥补鲸群优化算法中缺乏精确迭代停止条件的缺陷,提出自适应鲸群优化算法(Adaptive Whale Optimization Algorithm,AWOA);利用自适应增强(Adaptive Boosting,AdaBoost)的融合加权算法将SVM训练为强分类器以提高故障诊断正确率。将提出的新式算法处理某220 kV隔离开关操动机构振动信号,采集其在正常运行、辅助开关螺丝松动、传动机构卡涩3种工况下振动信号,计算各内涵模态分量(Intrinsic Mode Functions,IMF)分量的能量熵作为特征参量输入AdaBoost-SVM强化分类器判断隔离开关的运行状态,实现操动机构不同运行状态的有效识别。