IVMD对泵站管道振动响应趋势的预测分析

采用改进的变分模态分解(improved variational mode decomposition,简称IVMD)与支持向量机(support vector machine,简称SVM)相联合的方法,对泵站管道的振动响应趋势进行预测。首先,基于互信息准则确定IVMD的分解模态数,克服变分模态分解(variatronal mode decomposition,简称VMD)盲目选取分解参数的缺点,利用IVMD将机组和管道的振动序列分解为多个固态模量(intrinsic mode function,简称IMF),分别作为SVM模型的输入和输出;其次,利用粒子群优化(particle swarm optimization,简称PSO)分别寻找各模态分量对应SVM模型的最优参数并对各分量分别进行预测;最后,将各测点对应的IMFs预测结果重构作为最终的预测值。结合某大型泵站2号压力管道振动响应数据,分别采用IVMD-SVM,PSO-SVM和BP神经网络3种模型对管道振动响应趋势进行预测,并将预测结果进行对比分析。结果表明,IVMD-SVM模型得到的预测结果和实测值更加接近,计算精度更高,且误差较小,该方法对管道及类似工程结构的振动趋势预测具有一定的参考价值。     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统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,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

基于变分模态分解和LFOA-RVM的轴承故障诊断

针对滚动轴承的故障诊断问题,提出了基于变分模态分解(Variational modal decomposition, VMD)、改进果蝇算法(Improved fruit fly optimize algorithm, LFOA)和相关向量机(Relevance vector machine, RVM)的滚动轴承故障诊断方法。该方法首先利用VMD将轴承振动信号分解成若干个本征模态分量(Intrinsic mode components, IMF),并计算IMF分量的均方根值和重心频率组成故障特征向量。为提高故障诊断精度,采用LFOA算法对RVM的参数进行优化,建立LFOA-RVM模型,然后对提取的故障特征进行训练和测试,以此来判断轴承的故障类型和故障程度。利用该方法对实测轴承信号进行了分析和诊断,并与其他几种方法进行了对比,验证了该方法的有效性。     

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SK和LSSVM的飞机空气制冷机寿命趋势分析

针对工程上所获取的飞机空气制冷机信息本身具有的不确定性等特点,提出了谱峭度(spectral kurtosis,简称SK)和最小二乘支持向量机(least squares support vector machine,简称LSSVM)相结合的寿命趋势分析方法。首先,将寿命表征参量通过经验模态分解(empirical mode decomposition,简称EMD)分解为多个固有模态分量(intrinsic mode function,简称IMF),分别对多个IMF分量进行傅里叶变换,得到多个频谱,计算每根谱线的谱峭度;其次,通过谱峭度寻找到影响飞机空气制冷机失效的主要IMF分量,对其进行信号重构;最后,提取重构后信号的能量特征,创建最小二乘支持向量机寿命趋势模型,对飞机空气制冷机寿命趋势进行预测。通过对实际监测数据的分析和验证结果表明,该方法可以实现飞机空气制冷机寿命趋势分析效能,具有很好的工程应用价值。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

基于多种信号分解的台风风速多步预测

针对台风风速多步预测中用到的信号分解方法开展对比研究。首先,列举8种典型信号分解方法的特点;其次,基于不同信号分解方法建立经粒子群算法(particle swarm optimization,简称PSO)优化的最小二乘支持向量机(least squares support vector machine,简称LSSVM)预测模型;最后,采用某大跨桥梁主塔位置和沿海某高层建筑楼顶处的两组台风实测风速序列进行多步提前预测研究。对两组试验的预测结果进行分析,发现基于变分模态分解(variational mode decomposition,简称VMD)的PSO-LSSVM模型具有最佳预测效果。     

VMD⁃SVD在机械故障信号欠定源数目估计中的应用

针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法.首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定.仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计.     

盲VMD-Cepstral在轴承故障诊断中的应用

针对滚动轴承早期故障诊断困难的问题,从经验模态分解(empirical mode decomposition,简称EMD)以及包络谱出发,为解决EMD抗噪效果较差、具有端点效应等局限性,提出了盲变分模态分解(variational modal decomposition,简称VMD)-主成分分析(principal component analysis,简称PCA)-包络谱熵结合倒谱包络的轴承故障诊断方法。首先,对滚动轴承的振动信号进行了变分模态分解;其次,对分解得到的分量进行PCA去相关处理;然后,对分量计算包络谱熵,选择熵值小于其平均值的分量进行信号重构;最后,对重构的信号进行倒谱包络分析。实验结果表明,该方法能有效地提取出滚动轴承的故障频率,从而判断出滚动轴承的损伤位置,并且具有良好的抗噪能力。     

基于 AVMD 与改进能量算子的非稳态谐波分析

针对非稳态谐波分析中时频参数检测精度较低的问题,提出一种基于自适应变分模态分解(AVMD)与改进能量算子的 非稳态电力谐波分析方法。 首先,采用 AVMD 对非稳态谐波信号进行分解,其中采用波形特征匹配法对非稳态谐波信号进行 延拓以减轻边界效应影响,并提出能量差和相关系数作为 AVMD 中模态分解个数的判据;结合模态分量,提出改进间隔采样能 量算子快速提取谐波的瞬时幅值和频率,根据差分和信号完成其起止时刻的定位,实现非稳态谐波时频参数的快速准确测量。 仿真与实测结果表明,本文方法能够在电网工频波动、间谐波以及噪声干扰等情况下有效完成非稳态谐波的准确检测,实现暂 态谐波的精确定位,且对非稳态谐波频率、幅值的最大检测误差分别为 0. 094 9% 和 0. 931 4% 。     

泄洪闸闸墩原型振动测试、预测与安全评价

针对某一大型水电站泄洪闸闸墩在其泄洪过程中出现的强烈振动情况,系统地开展了闸墩原型振动测试、振动响应数值模拟预测与运行安全评价研究。首先,对常遇洪水工况下的泄洪闸闸墩进行了原型振动测试,提取了闸墩结构在不同运行工况下的泄洪振动时域和频域特征;其次,基于重力相似准则,研制了闸墩整体水力学荷载测试模型,对非常洪水工况和常遇洪水工况下闸墩的整体水动力荷载进行了测试,分析了不同洪水工况下的整体水动力荷载特性;然后,以模型试验所获取的整体水动力荷载时程线作为输入,进行了闸墩振动响应数值模拟计算,与原型观测工况结果进行了对比验证,并对非常洪水工况下闸墩的最大振动响应进行了预测;最后,对闸墩的泄洪振动进行了安全评价。结果表明,泄洪闸闸墩过大的振幅使其产生疲劳破坏的可能性很大,且不利于运行人员的正常操作,建议对闸墩进行抗振加固。     

基于HHT的高坝泄流结构工作模态参数辨识

基于高坝的工作特点,提出一种适用于泄流结构的工作模态参数时域辨识方法。对于低信噪比泄流结构振动信号,首先,利用小波阈值-经验模态分解(empirical mode decomposition,简称EMD)联合滤波方法滤除低频水流脉动噪声和高频白噪声,得到结构振动有效信息;然后,通过希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)原理辨识结构系统的固有频率及阻尼比;最后,结合奇异熵增量理论对系统模态进行定阶和模态验证。仿真研究表明,该方法能够有效避免模态分解中的频率混杂,具有较强的鲁棒性以及较高的辨识精度。将该方法应用于三峡重力坝5号溢流坝段,可准确辨识出结构系统的工作模态参数,为研究高坝泄流结构安全运行与在线无损动态检测提供基础。     

Trend extraction based on separations of consecutive empirical mode decomposition components in Hilbert marginal spectrum

Extracting the underlying trends is an important tool for the analysis of signals. This paper presents a novel methodology for extracting the underlying trends of signals based on the separations of consecutive empirical mode decomposition (EMD) components in the Hilbert marginal spectrum. A signal is initially represented as a sum of intrinsic mode functions (IMFs) obtained via the EMD. The Hilbert marginal spectrum of each IMF is then calculated. The separations of two consecutive IMFs in the Hilbert marginal spectrum are estimated based on their correlation coefficients. The group of the last several IMFs in which the IMFs are close to each other in the Hilbert marginal spectrum will be used for the representation of the underlying trend of the signal. Extensive experimental results are presented to illustrate the rationale and the effectiveness of the proposed method.     

基于指数窗截取递推最小二乘法的齿轮啮合刚度辨识算法研究

齿轮在机械传动系统中有着广泛应用,由于齿轮啮合过程中参与啮合的轮齿对数周期变化,因此,齿轮啮合刚度为时变参数,在啮合时会产生啮合振动。当齿轮副出现齿根裂纹时,啮合刚度会减小,齿轮啮合产生的系统振动响应也发生改变,通过振动响应辨识齿轮啮合刚度能够监测齿轮副的健康状态。针对齿轮啮合刚度的时变特征,提出了基于指数窗截取递推最小二乘(Exponential window recursive least square,EWRLS)算法和振动信号瞬时频率的齿轮啮合刚度辨识方法。进行啮合刚度辨识时,EWRLS算法将输入、输出齿轮的转速曲线分别作为辨识输入信号和观测信号,使用指数窗函数进行数据截断,使用递推最小二乘算法估计系统参数。为了计算输入、输出齿轮的转速曲线,使用经验模态分解(Empirical mode decomposition,EMD)方法将振动信号分解为具有不同变化频率的本征模态函数(Intrinsic mode function,IMF),并根据IMF的平均频率重构输入、输出齿轮的特征信号。通过Hilbert变换计算特征信号的瞬时频率曲线,从而获得各齿轮的转速曲线。使用仿真和实测信号对算法进行验证,结果表明,EWRLS算法能够辨识齿轮副的时变啮合刚度。     

Residual fatigue life prediction of ball bearings based on Paris law and RMS

Paris law can reflect the failure mechanism of materials and is usually used to be a method to predict fatigue life or residual fatigue life.But the variable which can represent the health of machine i...     

EMD方法在消除桥梁振动信号局部强干扰中的应用

在进行桥梁的健康监测和状态评估时，外界环境的影响常常会在采集的振动信号中形成局部强干扰，导致分析结果的严重失真。为解决这一问题，文中基于经验模态分解(empirical mode decomposition，EMD)，提出一种信号强干扰的消除方法。首先利用EMD把一个时间序列的信号分解成不同时间尺度的本征模函数(intnnsic mode function，IMF)和残余项，然后采用合适的带通滤波器对前几个IMF进行滤波，在存在强干扰的区段，用滤波后的数据代替滤波前的数据，并使后几个IMF在相应区段的幅值为零，最后将所有的IMF及趋势项重新进行叠加，即得到消除强干扰后的信号，将该信号再次进行EMD分解，可得到一系列新的IMF，它与未消除干扰时信号的分解结果有显著差别。通过对实测南京桥有对讲机干扰的应变信号进行分析，结果表明该方法可行、有效。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征，提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解，然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析，得到各分量的功率谱图，清晰直观显示出故障特征信号的功率谱，从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性，适宜于非线性、非平稳信号的分解，该方法应用于滚动轴承的故障振动信号分析中，结果表明，该方法能够突出滚动轴承振动信号的故障特征，从而提高滚动轴承故障诊断的准确性。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。