基于加权ANSMD和参数优化RLD的风电机组液压型变桨轴承损伤检测

围绕风电机组液压型变桨轴承损伤检测这一工程难题,分别提出了加权自适应非线性稀疏模态分解(ANSMD)方法和参数优化Lucy-Richardson反褶积(LRD)方法,并将二者相互融合,用于实现液压型变桨轴承局部损伤检测。首先,通过ANSMD方法将原始振动信号分解为一系列稀疏分量,计算各分量的香农熵值及权重系数,并通过稀疏分量加权叠加获得信噪比更好的重构信号。其次,通过自相关能量比优化策略对LRD方法的形态控制参数进行搜寻,并利用参数优化LRD方法进一步处理重构信号,实现连续性周期脉冲强化放大。最终,通过反褶积信号的包络解调分析提取变桨轴承的损伤特征频率成分。液压型变桨轴承测试信号验证结果表明,所提方法可有效检测变桨轴承局部损伤,为解决风电机组运维问题提供新的思路。

ANSMD方法及其在齿轮故障诊断中的应用

针对传统信号分析方法难以有效处理具有非平稳、非线性特性信号的问题,提出了一种自适应非线性稀疏模态分解方法(adaptive nonlinear sparse mode decomposition,ANSMD)。该方法通过将奇异局部线性算子约束到信号分解中,自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的局部窄带分量,以局部窄带分量作为基函数进行迭代,从而逼近原始信号来完成信号的分解,进而得到具有完整时频分布的分量信号。通过仿真信号和齿轮裂纹故障信号进行试验验证,结果表明,相对于经验模态分解、局部特征尺度分解以及变分模态分解方法,ANSMD方法在抑制模态混叠、鲁棒性等方面具有明显的优势,并可以有效的诊断齿轮故障。

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。

经验模态分解和稀疏表示的SAR图像去噪方法

相干斑噪声严重影响了SAR图像的应用,为降低这个影响,本文提出了一种经验模态分解和稀疏表示相结合的去噪方法。该方法利用经验模态分解是由数据驱动这一特点,把含噪SAR图像自适应的分解为若干固有模态分量,根据这些固有模态分量的时频特性,判断噪声在固有模态分量的分布情况。由于噪声的分布相对于图像目标分布具有孤立性、随机性的特点,采用稀疏表示方法对含噪的固有模态分量进行分解,通过估计固有模态分量的噪声强度,重构各固有模态分量,将处理后的以及未处理的各固有模态分量进行经验模态分解的重构,以此达到去噪的目的。为验证该算法的有效性,进行了对比实验,通过客观评价标准证明了该方法在细节信息保持等方面优于其他方法,是一种针对SAR图像的有效去噪方法。

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的。自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近。文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function,IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加。由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度。在混合信号信噪比为2.8407dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74dB,证明EMD-ANFIS方法的有效性。

基于稀疏指标的优化变分模态分解方法

针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。

NSMD和LMSST相结合的变转速滚动轴承故障诊断方法

为了能够准确反映变转速工况下滚动轴承的时变故障特征,本文提出了一种基于非线性稀疏模态分解(NSMD)和局部最大值同步压缩变换(LMSST)的故障诊断方法。首先利用NSMD对含噪振动信号进行分解,基于各分量的频谱最大相关性进行有用分量的选择;然后对其进行LMSST分析,从时频平面中提取时变故障特征,从而实现变转速下轴承故障诊断。

快速自适应二维经验模态分解在SAR目标识别中的应用研究

针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法。FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF)。基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分。分类阶段采用联合稀疏表示对保留的BIMF进行表征分类。基于MSTAR数据集对所提方法进行测试,结果验证了其性能优势。

非线性非平稳波浪极短期预测的复合优化模型

海浪的时间序列一般具有非线性和非平稳性,针对直接对其进行预测精度较差,本文利用复合模型对波浪进行了预测。利用长短期记忆神经网络模型的非线性学习能力和经验模态分解的非平稳数据处理能力,采用镜像对称和长短期记忆算法联合消除经验模态分解端点效应,建立了一种用于不规则波极短期预测的复合经验模态分解-长短期记忆模型。研究表明:通过比较分析水槽试验获得的一般不规则波、线性聚焦波和非线性畸形波的预测效果,结果揭示出经验模态分解端点效应对模型预测精度具有负面影响,本文基于自适应镜像延拓的复合经验模态分解-长短期记忆模型可以更好地预测极短期非线性、非平稳波浪时序的变化趋势。

CEEMDAN-HURST算法在新冠疫情预测中的应用

针对COVID-19新增病例是一个非线性非平稳的时间序列,提出基于CEEMDAN-HURST算法的COVID-19组合预测模型。利用自适应噪声完全集合经验模态分解算法将新增病例时间序列分解为频率不同的子序列;利用HURST指数分析各个子序列的随机性并将子序列整合为高频、中频和低频三种子序列,通过最小二乘支持向量机对这三种子序列分别进行预测;叠加各重构子序列的预测结果,得到COVID-19新增病例的最终预测值。结果表明,基于CEEMDAN-HURST算法的COVID-19新增病例组合预测模型提高了非线性时间序列预测过程中的效率以及预测精度。与CEEMDAN-PE组合模型相比,平均绝对误差、均方根误差分别降低了11.13%和29.67%,表明CEEMDAN-HURST算法可有效解决非线性时间序列预测模型普遍存在的预测效率低和预测精度低的问题;赫斯特(HURST)指数度量了时间序列的偏移程度,引入HURST指数进行合并重构整合,可减少时间序列预测所需要的子序列数目。