考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度，提高短期风速预测的准确性，提出一种考虑样本熵的组合分解模式和支持向量回归（SVR）相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解（CEEMDAN）方法分解风速历史数据，并计算各模态分量的样本熵；然后采用变分模态分解（VMD）方法对样本熵最大的模态分量进行二次分解，充分削弱风速分量的非平稳性；接着对分解得到所有模态分量分别建立SVR预测模型；最后将各分量的预测值求和完成最终风速预测。实例分析表明，所提模型对比其他模型的预测误差最小，预测精度最高，可有效预测短期风速。     

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。     

基于VMD的螺栓松动状态识别

针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。     

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VMD与GWO优化SVM的轴承故障诊断

针对传统振动信号特征提取方法与支持向量机(SVM)分类方法的缺陷,提出一种基于变分模态分解(VMD)故障特征提取方法与灰狼优化器(GWO)优化SVM的诊断模型。首先,将滚动轴承的原始振动信号采用VMD得到若干本征模态分量(IMF);其次,将IMF的多尺度加权排列熵作为特征向量并使用t-sne方法做降维处理;最后,使用GWO对SVM进行优化并对样本数据进行分类判别。实验结果表明,该方法相比于其他传统算法能够有效提高故障分类精度。     

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。     

基于二维变分模态分解和Hilbert变换的局放信号特征提取方法

本文通过对二维Hilbert-Huang变换方法的改进,提出了一种基于二维变分模态分解(VMD)和Hilbert变换的局部放电灰度图像特征提取方法。首先,利用局部放电样本生成相应放电灰度图;其次,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的模态分量;然后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量;最后,以BP神经网络分类器对提取出的局部放电特征量进行分类和识别。实验结果验证表明,同二维Hilbert-Huang变换和传统放电灰度图特征提取方法相比,基于本文方法所得特征量具有更高的正确识别率,验证了该方法的可行性。另外,本文所采用的二维VMD-Hilbert方法为局部放电信号的频谱分析拓展了新的思路。     

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MMS的城市照明无线监控系统的研究

针对城市照明综合监控系统中照明灯覆盖面广、种类繁杂、控制要求多种多样、信息量差别大、维护需及时等特点,本文研究基于MMS协议的城市照明无线监控系统,开发基于同一种接入与控制协议的无线数据传输控制平台,通过统一的接人与控制协议来实现对城市照明系统的数字化控制,为城市照明综合监控提供完整的解决方案。