基于VMD-LSTM的滚动轴承退化状态识别

针对滚动轴承退化信号的非平稳、非线性特点以及全寿命退化状态难以有效识别的问题,提出一种基于变分模态分解(VMD)和长短时记忆神经网络(LSTM)相结合的滚动轴承退化状态识别方法.该方法首先采用麻雀搜索算法(SSA)对VMD的两个参数(模态分量个数和惩罚因子)进行优化;然后将滚动轴承振动信号分解成若干个本征模态函数(IM...     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。     

基于优化变分模态分解的磁瓦内部缺陷检测

针对磁瓦内部缺陷声振检测存在的信号处理和特征识别问题,提出结合变分模态分解（VMD）、粒子群优化（PSO）和随机森林（RF）的信号分析方法. 该方法以模态能量和相邻模态中心频率差值构建代表VMD处理性能的适应度函数,其中以VMD的分解层数和惩罚因子2个参数作为该适应度函数的变量;通过PSO在VMD参数选择空间中搜索该函数的最小值以执行VMD的参数优化,最小值所对应的参数设置即为VMD的最优参数;利用得到的参数实现信号的最优VMD分解并通过计算模态分量的能量来筛选特征模态,从中提取过零率、谱质心和最大峰值频点以联合反映磁瓦内部缺陷的特征信息;经RF分类器对这些特征进行识别进而对内部缺陷的存在情况做出判断. 实验证明所提出的方法能够准确、高效地实现不同类型磁瓦的内部缺陷检测.     

基于VMD-CQPSO-GRU模型的气象干旱预测方法

针对当前气象干旱预测方法中存在的预测准确度低、可信度差等问题,提出了一种基于机器学习的气象干旱预测方法.利用变分模态分解(Variational Mode Decomposition,VMD)将干旱时序信号分解为若干本征模态分量;利用改进的混沌量子粒子群算法(Chaotic Quantum Particle Swarm...     

基于GSA优化VMD-DBN的水电机组故障诊断

提出了基于引力搜索算法（gravitational search algorithm, GSA）优化变分模态分解（variational mode decomposition, VMD）并结合深度置信网络（deep belief network, DBN）的水电机组故障诊断方法。首先,以变分模态分解能量误差最小化为目标,利用GSA并行优化各样本下VMD的2个典型分解参数（分解层数K和惩罚因子α）;然后,对分解降噪后的信号进行重构,并对重构后的信号构造由能量熵、奇异谱熵以及峭度组成的特征向量;最后,将构建的特征向量输入DBN构建的水电机组故障诊断模型。通过与已有方法比较可知,所提模型可以有效地提取水电机组的故障特征,且故障识别准确率更高。     

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

基于云平台下的并行VMD算法

电力设备监测数据中的时序波形信号对评估设备运行状态具有重要作用,当数据量很大时,采用传统方法处理时序波形信号往往效率低下。VMD算法是一种完全非递归的变分模态分解方法,适用于对非线性、非平稳信号的分析,但其复杂性和大量的计算限制了其应用范围。提出了一种基于Storm/Spark平台的并行VMD算法。为确保子段数据模态分量在窗口截断处连续,提出了一种基于矩形窗分段的变分模态分解(Variational Mode Decomposition,VMD)VMD-RWS和基于自适应分段和外推延拓(the adaptive subsection based on local flatness and extrapolation,ASLF-E)ASLF-E的信号处理方法进行信号分段以及子段数据处理。通过仿真实验对提出的VMD-RWS和ASLF-E方法进行验证,实验结果表明该方法可以确保各子段数据模态分量在窗口截断处的连续性,保持了VMD算法原有的性能,为云平台下局部放电信号应用VMD算法进行分析提供了一种切实可行的方案。此外,设计了基于Storm和Spark平台的并行VMD算法处理流程及架构,为基于云平台的并行VMD算法的实现提供了依据。     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于KPEMD与INFO-SVM的柱塞泵故障诊断

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition, KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明：KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。     

基于变分模态分解的轴承振动特征提取方法

设备运转的状态信息能够通过振动信号实时反映出来,然而由于信号中混杂了大量背景噪声等干扰信息,使得信号分解技术成为关注的重点之一。变分模态分解(variational mode decomposition,VMD)克服了传统自适应信号分解方法的不足,分解出的信号消除了端点效应和模态混叠等失真现象,具有抗噪干扰能力强、计算速度快等优点。针对VMD模态K数难以选取的问题,以信号主频率个数作为K的选择依据,然后结合信息熵测度,提出了一种的新的振动信号提取方法,剔除干扰信息,便于故障类型的查找。仿真和轴承实验表明了该方法的有效性和可行性。