基于VMD和中心频率的舰船辐射噪声特征提取方法研究EI北大核心CSCD

为了有效提取舰船辐射噪声的频率特征,提出一种基于变分模态分解(VMD)和中心频率的舰船辐射噪声特征提取方法。采用VMD方法将三类舰船辐射噪声分解为一组有限带宽固有模态函数(IMF),计算各阶IMF强度,选取能量较大的IMF作为研究对象,以最强IMF中心频率及能量较大的多个IMF中心频率作为特征参数对三类舰船辐射噪声进行特征提取;针对舰船辐射噪声频率特征提取难且不精准确的问题,采用VMD方法可以准确提取IMF中心频率,实现舰船辐射噪声的特征提取。通过数字仿真和实际舰船辐射噪声信号实验分析,并与基于集合经验模态分解(EEMD)的中心频率及高低频能量差方法进行比较,结果表明该方法可以有效提取舰船辐射噪声中心频率,并实现不同类别舰船的分类识别。     

基于EEMD的舰船辐射噪声特征提取方法研究

为了解决复杂海洋环境中水声信号的特征提取问题,提出了一种利用集合经验模态分解(EEMD)研究舰船辐射噪声特征提取的方法。对经验模态分解后的不同类别三类舰船辐射噪声信号各阶固有模态函数(IMF)中心频率可分性进行分析,并讨论了最强IMF中心频率特征参数。通过比较一定数量不同类别的舰船辐射噪声的最强IMF中心频率及高低频能量差特征参数发现,同类舰船的特征参数基本处于同一水平,不同类型的舰船存在一定差异。实验结果表明,采用EEMD的舰船辐射噪声信号的最强IMF中心频率作为特征参数相比高低频能量差特征参数对舰船具有较好的可分性。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

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。     

基于变分模态分解和最大重叠离散小波包变换的齿轮信号去噪方法

针对齿轮故障信号易受噪声干扰导致故障特征难以提取的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和最大重叠离散小波包变换(maximal overlap discrete wavelet packet transform,MODWPT)相结合的信号去噪方法。采用VMD方法将齿轮振动信号分解成一系列不同中心频率的固有模态函数(intrinsic mode function,IMF),对VMD分解过程中影响其精度的主要参数选择方法进行了探究,提出相关参数的选取依据。结合能量熵增量-频域互相关系数准则以剔除分解出的高频噪声和虚假干扰成分;采用MODWPT方法对包含高频噪声的IMF分量进行去噪,以进一步提升信号的去噪效果和性能指标;最后将去噪后高频IMF分量同表征信号自身特征的敏感模态分量重构为去噪信号。通过仿真信号和齿轮断齿故障信号的分析,证明了所提方法的有效性和实用性。     

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法。     

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。     

VMD和ICA联合降噪方法在轴承故障诊断中的应用

针对振动信号易受噪声干扰的影响、故障特征提取困难的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和独立分量分析(Independent Component Analysis,ICA)相结合的去噪方法。该方法首先利用VMD算法将振动信号分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF),有效的抑制了LMD分解中存在的模态混叠现象和端点效应等问题,然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用Fast ICA将重构后信号再次进行去噪处理,分离出有效的故障特征分量,从而识别故障类型。将该方法应用到滚动轴承故障数据中,并与LMD-ICA方法作对比,结果表明,提出方法不仅能够有效的解决去噪过程中丢失故障信息以及由于模态混叠导致噪声不能完全去除的问题,还能更清晰、准确地提取出故障特征频率。     

基于集合经验模态分解的舰船辐射噪声能量分析

利用集合经验模态分解方法研究舰船辐射噪声的特征参数提取及分类,对预处理后三种不同类别舰船辐射噪声进行能量分析,讨论其高低频能量差特征参数。计算不同类别、一定样本数量的舰船辐射噪声高低频能量差发现,同类舰船高低频能量差基本处于同一水平,不同类型舰船高低频能量差存在明显差异。结果表明,利用集合经验模态分解方法提取的舰船辐射噪声特征参数对舰船类别具有较好的可分性。可为水下目标信号探测及识别提供参考。     

基于变分模态分解和Teager能量算子的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基于变分模态分解和能量算子的滚动轴承故障特征提取方法。该方法首先对故障信号进行变模态分解(Variational Mode Decomposition,VMD),得到若干本征模态分量(Intrinsic Mode Function,IMF);其次,通过峭度准则选取其中峭度最大的分量进行Teager能量算子解调,得到信号的Teager能量谱。将该方法应用到滚动轴承仿真故障数据和实际数据中,结果表明,该方法提高了信号的分解效率,降低了噪声的影响,能够实现滚动轴承故障的精确诊断,证明了该方法的有效性。     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

变分模态分解和改进的自适应共振技术在轴承故障特征提取中的应用

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

自适应模态总数变分模态分解方法及其性能评估EI北大核心CSCD

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难。文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法。该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各模式分量时域、包络谱和时-频加权峭度,根据时-频加权峭度最大化准则选择最佳IMF;最后采用共振解调技术求出最佳IMF包络谱。对轴承故障信号研究表明,所提方法可解决传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题。另外与传统方法相比,该方法可以在强背景噪声和非周期性瞬态冲击下有效识别轴承故障。     

HHT与神经网络在舰船目标特征提取中的应用

目标识别一直是水声领域的关键技术之一。将高阶累积量用于希尔伯特变换特征提取中,通过对舰船目标辐射噪声信号进行采集,得到舰船目标噪声信号,进而提取目标辐射信号各阶模态的相邻平均瞬时频率比、相对标准差、中心频率、平均强度、高阶矩和高阶累积量等作为特征,最终利用BP神经网络来实现对两类舰船目标的分类识别。通过对实际舰船目标噪声进行识别,验证了该舰船目标识别系统具有较好的识别效果。     

基于CEEMDAN–MPE算法的地铁短波长钢轨波磨识别

针对地铁钢轨波磨检测效率低、准确率低等问题,提出一种基于自适应噪声完备集合经验模态分解–多尺度排列熵的地铁短波长钢轨波磨识别方法。首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将轴箱振动加速度信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数（IMF）;引入多尺度排列熵（MPE）分析各IMF在不同尺度上的熵均值,计算各IMF的相关系数,然后将随机程度较大或信噪比较低的分量剔除,计算剩余IMF的能量值及总能量值,通过设定阈值判断是否存在钢轨波磨,最后对能量值超过阈值的分量进行小波包时频分析,提取振动中心频率确定钢轨波磨波长。结果表明：（1）基于CEEMDAN–MPE算法可通过轴箱振动加速度准确识别短波长钢轨波磨及发生区域;（2）该方法在识别短波长波磨的准确性上优于EEMD能量值和小波包能量熵方法,并且能够较为准确地提取短波长波磨不平顺导致的振动响应,便于针对波磨的波深做进一步分析。