基于变分模态分解和高阶统计量的梯级故障诊断研究

自动扶梯是地铁车站内必不可少的大型公共交通设备,一旦发生故障,小则影响运营,大则引发安全事故;梯级作为自动扶梯的重要结构部位,其固定螺栓松动必然会导致自动扶梯运行异常;针对梯级振动信号故障特征难以提取的问题,提出了变分模态分解(VMD)和高阶统计量(HOS)联合来对自动扶梯故障特征提取;该方法首先对原始振动信号进行VMD分解,得到K个固有模态分量(IMF);然后对主IMF分量进行奇异值分解(SVD)降噪,对去噪后的主IMF分量进行重构得到新的信号;最后通过高阶统计量对新的信号故障特征提取,并利用随机森林分类算法对三类不同的振动信号样本进行分类识别,确定梯级振动故障类型;实验结果表明,该方法可以有效地提取故障特征,实现故障诊断与分类。     

基于FMCW雷达的多人心率呼吸检测

针对目前毫米波雷达应用于多人生命体征检测效果不佳, 检测范围小等缺点, 提出了一种多人心率呼吸提取分离方法, 首先采用Capon波束成形技术对非目标区域信号形成零陷, 对目标区域进行提取相位、相位解缠绕操作; 其次利用自适应谐波跟踪算法滤除噪声; 最后使用粒子群算法和样本熵改进的变分模态分解法(PSO-SE-VMD)对信号进行分解得到模态分量, 选取合适的模态分量并通过短时自相关算法提取心率呼吸. 实验结果表明, 该方法在夹角30°和60°时心率的均方误差分别为5.55和3.15, 实现了多人检测并有效提高了检测范围.     

变分模态分解组合广义形态滤波器的MEMS陀螺仪去噪方法

为了更加有效地消除MEMS陀螺仪输出信号存在大量不同类型噪声的同时保留有效信号特征,本文提出了一种变分模态分解(VMD)的多尺度自适应组合广义形态滤波器(CGMF)去噪方法.该方法首先采用VMD将MEMS陀螺仪原始输出信号分解为多个不同尺度的具有特殊稀疏性的一高低频离散带限子信号内模函数(BLIMFs),然后通过选择CGMF中合适的结构元素(SEs)长度和几何结构对上述不同尺度BLIMFs进行自适应去噪处理,最后重建去噪后的BLIMFs获得去噪信号.通过实验验证并与现有的信号去噪方法相比,本方法的主要优点在于:1)解决了CGMF中SEs的长度和几何结构等关键参数的自适应选择问题; 2)针对不同类型噪声均进行了有效的分离和去噪处理.     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

减压膜蒸馏法分离偶氮染料废水的研究

采用减压膜蒸馏过程,实验研究了0.22μm的疏水性聚四氟乙烯(PTFE)微孔膜处理偶氮染料废水的可行性.实验研究了进料温度、进料浓度、进料流速、冷侧压力对膜通量及截留率的影响.实验结果表明,在所研究的工艺条件范围内,进料温度、进料流速的提高和进料浓度、冷侧压力的降低有利于膜通量增大;进料温度的提高和进料浓度、进料流速、冷侧压力的降低使截留率增大.降低膜面的水蒸气汽化的表观活化能是提高膜通量的重要措施.     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于改进VMD去噪的Prony-GSO联合谐波检测方法

针对传统Prony谐波检测方法在噪声条件下存在局限性,文章提出了一种能够在较大噪声条件下准确进行谐波检测的方法。通过对采样信号进行自适应的VMD分解,利用平均周期能量进行噪声模态的选择并予以剔除,将剩余模态重组后得到适合Prony算法的平稳信号,然后对平稳信号进行Prony谐波分析得到初步的谐波特征信息,最后对谐波特征信息进行循环筛选与GSO寻优,得到最终的谐波与间谐波特征信息。利用该方法进行谐波检测仿真实验,仿真结果表明,该方法有效提高了Prony算法在较大噪声条件下的辨识准确度,具有自适应性,能够自动筛选真实频率成分,具有高效、精确的优点。     

万向轴动不平衡检测的自适应变分模态分解方法

万向轴动不平衡主要体现在万向轴振动信号的转频及其倍频上,为了更准确地提取动不平衡振动特征,引入具有完备理论基础、窄带滤波特性和最优解的信号分解方法——变分模态分解法来提取动不平衡振动特征。然而,变分模态分解的结果对两个参数(模态数量、惩罚因子)的设置很敏感。因此,提出应用傅里叶谱的均方根分布与其局部峭度值确定变分模态分解的模态数量,利用傅里叶谱峭度增量对惩罚因子进行最优选择。建立万向轴动不平衡的自适应提取模型,应用试验台实测数据对该检测方法和模型的有效性进行了验证。     

基于VMD和MP算法的旋转机械故障特征提取

旋转机械故障振动信号为不平稳、非线性而且信噪比低的多分量信号,故障特征很难提取。小波分析方法受限于小波基和分解层次的选取,经验模态分解（EMD）等自适应分解方法存在模态混叠和虚假分量的问题,应用在旋转机械故障提取上容易误判。提出了利用匹配追踪算法（MP）改进变分模态分解(VMD)的故障诊断方法。通过构建合适的仿真信号仿真和对实测信号的仿真,验证了该方法的可行性和实用性。