时变转速下基于IFMD的行星齿轮箱微弱故障诊断

针对强背景噪声干扰且变转速下行星齿轮箱早期微弱故障特征难以被有效识别的问题,提出一种改进特征模态分解(Improved Feature Mode Decomposition,IFMD)的时变工况行星齿轮箱微弱故障诊断方法。对于特征模态分解算法中的关键输入参数分解模态个数n、滤波器个数K和滤波器长度L需要依靠人为经验反复尝试而不具有自适应的问题,提出通过尺度空间谱划分来确定所需分解模态个数n;在此基础上,以谱基尼指数(Spectral Gini Index,SGI)作为目标函数,采用粒子群算法自动确定最佳的滤波器个数K和滤波器长度L。最优输入参数组合下,采用IFMD对故障信号进行最佳模态分解,并选取SGI值最大的分量作为敏感模态。从敏感分量的包络阶次谱中提取显著故障特征阶次来准确判别故障类型。通过变转速仿真信号和工程实验数据分析表明,相比PSO-VMD方法、MED方法、SGMD方法和快速谱峭度方法,所提方法能够更加清晰、全面地提取微弱故障信息,提高了时变工况下行星齿轮箱早期故障特征的表征能力和诊断精度。

基于音频特征的拖拉机发动机状况识别系统设计

拖拉机发动机是保证拖拉机正常运行的关键部件,目前主要采用振动信号开展发动机故障预测与状况识别。为此,提出了一种基于GRU的循环神经网络模型,通过对拖拉机发动机在不同作业条件下产生的音频信号进行分析,提取Mel作为主要特征,构建基于音频特征的拖拉机发动机状况识别系统。预测结果表明:系统能够准确地识别发动机的正常运行状态和不同类型的故障状况,对拖拉机发动机异常的识别率可以达到97.15%。研究结果可以提高拖拉机的运行安全性和可靠性,减少故障停机时间,提高农业生产效率。

金刚石砂轮与金刚石滚轮磨削接触的声发射监测

为了实现金刚石砂轮磨削加工金刚石滚轮过程的自动化,需要对磨削接触状态进行准确识别。由于磨削过程中材料去除率较小导致声发射信号幅值变化不显著,仅用有效值对磨削接触状态识别的准确性受噪声影响很大。针对此问题,通过模态分解和相关性分析相结合的方法对采集的声发射信号进行处理,再计算各分量的有效值和方差值完成特征提取,最后利用支持向量机对磨削接触状态进行识别。实际应用发现:该方法对滚轮的磨削接触状识别准确率达到了98.3%,准确实现了对磨削接触状态的识别。

基于VMD-GA-BiLSTM的月降水量预测方法

利用辽宁省气象局提供的地面观测降水资料,构建了具有多元时间特征的降水数据,采用变分模态分解方法(variational mode decomposition,VMD)组合遗传算法(genetic algorithm,GA)对双向长短时记忆神经网络(bidirectional long short-term memory,BiLSTM)进行优化,建立基于VMD-GA-BiLSTM的月降水量预测模型,并与BiLSTM、VMD-BiLSTM和GA-BiLSTM进行实验对比,应用均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和R 2决定系数作为模型评价指标。实验结果表明:VMD-GA-BiLSTM模型的R 2决定系数达到0.98,RMSE和MAE表现更低,验证了VMD-GA-BiLSTM模型在时间序列预测方面的优势。

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。

新小波阈值法与VMD相结合的滚动轴承特征提取

针对滚动轴承故障信号弱以及难提取等问题,提出了一种新小波阈值方法与VMD相结合的轴承故障信号特征提取方法。首先,利用一种改进的指数小波阈值函数来优化传统小波降噪方法,克服其存在间断点和恒定偏差等问题;然后,结合VMD提取滚动轴承的有效故障特征;最后,以6205-RS号轴承内圈故障数据作为原始信号进行实验验证。实验结果表明,该方法能够有效提高降噪信号的信噪比,降低均方根误差,保证滚动轴承微弱故障信号特征提取的完整性和有效性。

基于改进VMD的逆变电路开路故障信号特征提取

基于输出电流分析的方法对逆变电路进行故障诊断时易受噪声干扰,影响故障诊断准确率,提出一种用优化算法对变分模态分解(VMD)进行改进的信号处理方法.通过麻雀搜索算法对传统VMD中的参数进行寻优,依据最优参数对电流信号进行分解,获取最佳的分解去噪效果.与小波变换、经验模态分解等信号处理方法对比,用误差评价指标对去噪效果评估,去噪信号功率谱图像可直观体现频域特征.结果表明,所提方法能有效降低噪声数量且频域细节特征误差不超过4%,验证了其有效性和可行性.

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。

基于OVMD-RF方法的风力发电机滚动轴承故障诊断

风电机组运行时轴承受到交变应力和冲击载荷,振动信号非线性、不平稳且具有噪声,特征提取不充分.针对风力发电机轴承故障信号处理和特征提取的固有缺陷,提出了基于优化变分模态分解与随机森林算法结合的故障诊断方法.首先,利用乌燕鸥优化算法对变分模态分解的参数进行搜索寻优;然后,利用优化参数的变分模态分解对滚动轴承振动信号进行分解,获得模态分量;最后,以峰值、峭度和包络熵构建融合特征训练集,并输入至随机森林分类器进行模型训练,实现故障识别.实例分析的结果表明,该方法识别风力发电机轴承故障的准确率高达100%,可实现故障的准确判别.

基于参数优化特征模态分解的强背景噪声下滚动轴承故障诊断

为准确提取被强背景噪声掩盖的滚动轴承故障信息,提出一种参数优化特征模态分解(parameter-optimized feature mode decomposition,POFMD)方法。首先,为解决特征模态分解(feature mode decomposition,FMD)方法的输入参数依赖人工经验选取的问题,以平方包络谱峭度(kurtosis of the square envelope spectrum,KSES)为权值,结合平方包络谱基尼系数(Gini index of the square envelope spectrum,GISES)构建加权平方包络谱基尼系数(weighted Gini index of the square envelope spectrum,WGISES)作为目标函数,通过优化算法确定FMD的最优参数组合;其次,为解决FMD的主模态分量难以选取的问题,通过计算所分解模态分量的KSES值选取主模态分量;最后,通过包络谱分析实现故障诊断。经仿真信号和实测信号分析,验证了POFMD在强背景噪声下滚动轴承故障诊断中的有效性。与变分模态分解、最大相关峭度解卷积和谱峭度相比,POFMD有更优越的故障特征提取性能。

考虑声-振模态结合的抽水蓄能机组轴承故障诊断

为解决抽水蓄能机组轴承磨损故障难以监测和识别的问题,提出一种结合声振数据的双模态神经网络机组轴承诊断模型。首先分析了抽水蓄能机组声振特性,融合相似软阈值对奇异值分解去噪方法进行改进,有效消除非接触式传感器固有噪声干扰。其次提出逆巴克频谱变换方法,并结合巴克频谱变换和格拉姆角和场变换等特征工程技术,提取机组轴承的声纹和振动特征图。通过融合相对位置编码的自注意力机制和深度可分离卷积,建立特征图传递网络。同时运用多头自注意力机制和双向长短期记忆网络搭建了时序数据传递网络,并以平行网格架构构建了机组轴承故障诊断模型。实验对比分析表明,所提方法具有较高的故障识别准确率,为抽水蓄能电站机组轴承监测问题提供了有效的解决途径。

基于EMD和FastICA的轴承故障诊断

针对滚动轴承振动信号之间的影响并且易受到噪声干扰的问题,提出了一种基于快速独立分类分析(FastICA)与经验模态分解(EMD)相结合的故障提取特征方法。通过经验模态分解将振动信号分解成若干个模态分量。继而,根据计算相关性系数选取有效的模态分量构建噪声通道,最后通过快速独立分类分析将源信号与噪声信号分离,进而得到独立的源信号。通过对西储大学轴承数据的仿真与实验结果表明,该方法可以有效的抑制噪声干扰,清晰的看出轴承的故障频率,实现了对轴承的故障诊断。

融合风电动态特征与通道注意力的超短期风速混合预测

准确的风速预测对于保障电网的稳定性和提升运行效率至关重要。为了提高预测的准确性,提出一种融合风电动态特征与通道注意力的超短期风速预测混合模型。首先,考虑气象因素对风速变化的影响,融合气象数据的静态和动态特征构建特征矩阵,深入挖掘影响风速的关键潜在因素。然后,采用时变滤波经验模态分解对原始风速进行初步分解,随后应用变分模态分解对高频分量进一步分解,以降低数据的不稳定性并增强模型的可预测性。其次,为每个子序列分别构建双向长短期记忆网络预测模型,并引入高效通道注意力机制,以自适应地为多通道特征信息分配权重,使模型能够集中于关键特征信息,从而提高模型的预测精度。最后,通过综合各子模型输出得到最终的风速预测值。实例分析表明,所提模型具有较好的预测精度和鲁棒性。

VMD-Stacking集成学习的多特征变量短期负荷预测模型

针对当前短期电力负荷预测结果准确度不够高的问题,提出一种由变分模态分解(variational modal decomposition, VMD)和Stacking集成学习框架组合的多特征变量短期负荷预测模型。在预测前使用VMD算法将负荷数据分解,然后加入对模型重要性较高的特征变量,再建立由轻量级梯度提升机(light gradient boosting machine, LightGBM)与极限梯度提升机(extreme gradient boosting, XGBoost)融合的Stacking集成学习预测模型,并比较不同天气情况下对预测模型准确度的影响。经实际算例对比验证表明:多特征的VMD-Stacking集成学习预测模型的误差较小。采用VMD算法分解历史负荷序列,分解后子模态分量的周期性体现了出来,让模型预测波动性较大的负荷时更容易;温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到,模型的准确度得以提高;Stacking集成学习模型对各算法取长补短,泛化能力增强,预测的准确度高于单一模型。

基于SOA-VMD-ICA的海水泵激励源特征提取方法

针对海水泵复杂多源激励特征提取问题,提出了一种海鸥优化算法(SOA)、变分模态分解(VMD)和独立分量分析(ICA)相结合的海水泵激励源特征提取方法。基于单通道测量信号,采用VMD算法与SOA算法选取信号平方包络谱峭度统计量作为适应度函数,寻优获取模态分解数量K、惩罚系数α及特征模态函数(IMF)分量。采用信号排列熵作为噪声检验函数,合理选取排列熵阈值,对IMF分量进行噪声筛选,获取非噪声IMF分量信号。将非噪声IMF分量与原输入信号组合,采用快速独立成分分析(Fast-ICA)算法计算得到激励源信号向量,从而实现激励源特征信号的提取。通过实船海水泵激励源特征提取试验及对比分析,验证了所提方法的有效性。研究结果表明,所提的SOA-VMD-ICA方法能满足单通道测量条件海水泵激励源特征提取准确性要求。

基于CEEMD-LSTM光伏短期功率预测

为解决传统机器学习方法在面对多变的环境因素和不平稳序列时导致光伏功率预测精度低的问题,提出一种基于完全经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和长短期记忆神经网络(long short-term memory,LSTM)相结合的光伏短期功率预测模型。首先,充分考虑影响光伏出力的太阳辐照度、相对湿度、大气压力和空气温度4种环境因素,通过CEEMD将气象因素特征曲线分解为多模态特征数据,准确捕捉其不同的时间尺度和频率特征,进而充分保留环境数据的不平稳特征。其次,在此基础上,利用LSTM网络对多模态特征数据进行时间序列建模,旨在保留时间序列的季节性和不平稳特征,为后续建模提供更准确的输入特征。最后,通过对分解后的信号开展训练,根据输入数据的变化自适应调整预测模型参数,迭代生成特定场景下的预测模型,从而灵活应对实时环境变化,得到相应功率预测结果。在海南一孤立海岛分布式光伏电站37 kW子阵的8个月气象和功率数据集进行验证,实验结果表明,所提方法在保留环境数据细节和局部特性上具有显著优势,在不同气象条件均具有良好的自适应性,有效提高了光伏短期功率预测精度。

基于Zoom-FFT-CEEMD和小波包降噪的风电机组齿轮箱故障特征提取和诊断

基于信号处理的风电机组齿轮箱故障诊断是风力发电领域中的重要研究方向。针对风电机组齿轮箱故障特征提取问题,提出了一种基于Zoom-FFT-CEEMD和小波包降噪的方法。通过对在风电机组齿轮箱振动测点所采集到各个测点的振动加速度信号做RMS趋势分析,找出RMS趋势明显上升的测点和时间段。利用小波包降噪技术对该测点的振动信号进行降噪处理,互补集合经验模态分解(CEEMD)得到的分量对振动信号进行多尺度分析,再使用Zoom算法对齿轮箱振动信号进行局部放大,以突出故障信号。利用快速傅里叶变换(FFT)对放大后的信号进行频谱分析,以提高故障特征的提取准确性。实验结果表明,与传统频谱分析法相比,该方法能够有效地提取风电机组齿轮箱的故障特征,具有较高的准确性和稳定性,为风电机组齿轮箱的早期故障诊断提供了一种有效的方法。

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。

基于ANFIS的外啮合齿轮泵寿命预测研究

从流量退化趋势的角度提出了基于自适应网络模糊推理系统的寿命预测方法。首先利用改进的集合经验模态分解(MEEMD)方法对加速退化试验的振动数据进行多尺度重构降噪,提取重构信号的峭度值、均方频率、小波包能量,与转矩、转速、压力信号作为齿轮泵性能退化特征;然后使用核主元分析方法(KPCA)进行多特征融合,进而实现外啮合齿轮泵退化评估指标的建立和分析;再利用其退化评估指标与流量信号作为输入量对自适应网络模糊推理系统模型(ANFIS)进行训练,得到的齿轮泵剩余寿命预测模型,为了进一步验证该算法的有效性将其与liner回归模型、三次指数预测模型算法进行了比较,最后基于蒙特卡罗样本扩充方法实现外啮合齿轮泵的可靠性评估。结果表明,该方法的结果与实际阈值的预测误差约为8%,能够对外啮合齿轮泵的寿命进行比较准确的评估。