基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于PSO-VMD的齿轮特征参数提取方法研究

针对变分模态分解(Variational Mode Decomposition,VMD)中分解模态个数需要凭经验去预先设置这一问题,提出一种基于幅值谱的粒子群优化算法(Particle Swarm Optimization,PSO)对VMD参数进行优化的方法,并应用到齿轮故障特征参数提取中。首先,根据齿轮振动信号的特点,选取了幅值谱作为PSO的适应度函数,利用基于幅值谱的PSO求取VMD参数中的模态分解个数K和惩罚因子α;其次,使用参数组合[K,α]优化后的VMD来分解采集的齿轮数据,可得K个模态分量;最后,将K个模态分量构造出的矩阵进行奇异值分解,可得K个奇异值并将其构成特征向量,用特征向量构造欧氏距离分类器来诊断测试数据。所提出的方法应用到QPZZ-II故障仿真平台。试验结果表明,所提出的方法可以有效地提出齿轮故障的特征,得到的诊断率最高。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization, 简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

信息熵和合成峭度优化的VMD和PSO-SVM的轴承故障诊断

为了解决变分模态分解参数人为确定的问题,并能够实现轴承故障的精确诊断,构建了一种信息熵和合成峭度优化的变分模态分解(VMD)和粒子群算法优化支持向量机(PSO?SVM)的轴承故障诊断方法.该方法首先运用合成峭度倒数与信息熵乘积的最小值原则对VMD参数进行优化,再由优化的参数对原始故障信号进行变分模态分解,得到既定的若干本征模态分量(IMFs),再选取信息熵与合成峭度倒数的乘积最小的IMF作为最佳IMF,再对其提取故障特征构成特征向量,输入P SO?SVM进行故障分类.最后,运用仿真信号和实际轴承数据验证了本文方法的有效性.     

基于GA-VMD的滚动轴承故障特征信号提取方法

针对轴承故障提取困难的问题，该文建立了以包络熵和峭度为综合目标函数的变分模态分解(VMD)参数优化方法。用遗传算法对综合目标函数的最小值进行计算寻优，获得最佳的模态分解个数和惩罚因子的值。利用遗传算法(GA)优化的VMD分解方法获得仿真信号和实测信号的本征模态函数(IMFs),依据相关峭度值最大的方法选取IMF敏感分量，并对其进行Hilbert包络谱分析。分析结果表明，基于遗传算法优化的VMD分解方法能够有效提取故障特征信号。     

基于MCKD和VMD关联维数的轴承故障特征提取AR模型

针对滚动轴承早期故障易受噪声影响难以准确提取特征信息的问题,提出了一种基于最大相关峭度解卷积(MCKD)和变分模态分解(VMD)关联维数的故障诊断AR模型.采用MCKD对滚动轴承振动信号进行降噪处理,滤除噪声影响;对降噪后的信号进行VMD分解,选择对故障特征敏感的IMF分量进行信号重构,并对重构信号建立AR模型,获取自回归参数;计算在指定嵌入维数上自回归参数的关联维数,对滚动轴承的故障进行诊断.实验结果表明,所提方法能够有效提取故障信号中的特征信息,证明了方法的有效性.     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

ABC-VMD和包络谱分析在齿轮故障诊断中的应用

针对齿轮箱故障的非线性、非稳定性特点,提出了一种参数优化变分模态分解(Variational mode decomposition,简称VMD)提取特征频率的方法。首先,利用人工蜂群算法(Artificial bee colony algorithm,简称ABC)对VMD分解的层数和惩罚因子进行自适应选择;其次,根据互信息法在VMD分解后得到的有限个本征模态函数(Intrinsic mode function,简称IMF)中选择最佳模态函数;最后,对该模态函数进行包络谱分析,有效提取齿轮故障特征频率。仿真与实验结果表明,与经验模态分解(Empirical mode decomposition,简称EMD)以及基于粒子群优化算法(Particle swarm optimization,简称PSO)的变分模态分解方法相比较,ABC-VMD方法自适应性强,可以有效克服模态混叠、信号丢失及过度分解问题,能够准确诊断齿轮箱故障,同时避免PSO-VMD易陷入局部最优的缺点。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

Pure harmonics extracting from time-varying power signal based on improved empirical mode decomposition

Harmonic decomposition makes a great impact on power system operation, especially devices with frequency converters are widely used in modern society. In this paper, a hybrid method based on improved empirical mode decomposition enhanced with masking signals is presented to extract single-frequency harmonics from disturbed power signals accurately. The parameters for building masking signals are optimized by cooperative chaotic particle swarm optimization, where the Logistic chaos and cooperative evolution are employed to improve the convergence accuracy and avoid trapping into local minima. For improving the performance further, the improved fast Fourier transform based on Nuttall window and harmonics pre-extracting procedure are introduced to enhance the decomposition accuracy and reduce the instantaneous magnitude error in extracting time-varying power signal. The synthetic and field experiments demonstrate that the proposed method reveals significant improvements in the integrality and decomposition accuracy of harmonics extracted from time-varying power signal.     

基于动力驱动微粒群算法的液压矫直机PID控制参数优化

为兼顾微粒群算法收敛速度与跳出局部解的能力，利用阶段性搜索方式将算法搜索过程分为前、后两个不同阶段。在算法的前期搜索阶段，当前微粒受个体最优微粒与全局最优微粒的引力作用，在算法的后期搜索阶段引入中值导向加速度，提出一种动力驱动微粒群算法。最后，针对液压矫直机PID控制的参数优化问题，考虑控制信号、上升时间和误差量的关系，建立液压矫直机PID控制参数优化模型，利用动力驱动微粒群算法优化得到更好的参数组合，实现PID控制参数优化。     

激光超声信号变分模态分解与裂纹定量检测

针对激光超声检测技术应用于金属增材件中所获取的信号具有复杂、多模态、信噪比低的特性的问题,获取激光超声信号进行时频分析,探究其频域可分性,采用变分模态分解算法根据频域特征进行分离并提取最佳表面波模态。在此基础上,提出一种基于激光超声信号B扫图结合变分模态分解提取表面回波特征值技术,对金属增材件表面裂纹长度进行定量检测。针对直接观察B扫图获取裂纹长度信息存在误差较大的问题,通过对变分模态分解提取的表面波模态在有无裂纹时反射回波峰峰值的变化分析,绘制扫查位置-峰峰值图并据此精确获取裂纹起始和结束位置,检测结果的相对误差不超过8%。与直接获取原始信号B扫图的裂纹长度信息相比,提高了检测精度。该方法在金属增材件的激光超声信号的特征提取与定量检测方面具有可行性。     

基于无线传感器网络自校正定位算法

节点定位是无线传感器网络的重要应用之一,为了抑制实际应用中各种环境因素对无线传感器节点精度的影响,提出了一种基于误差校正的定位算法。通过基于粒子群优化算法的粒子群优化-接收信号强度指示算法(par-ticle swarm optimization-received signal strength indication,简称PSO-RSSI算法)将未知节点收到信标节点一定数量的存在偏差的链路质量指示值进行优化,实现对误差的补偿。将链路质量指示值转化为接收信号强度指示值,从而得到距离。实验结果表明,该算法可提高定位精度,具有普遍应用价值。     

加工参数优化中自适应协同粒子群算法研究

针对加工参数优化过程中粒子群优化算法的优化效果受参数影响较大的问题,提出了自适应协同粒子群优化算法。对粒子群优化算法的参数对优化结果的影响进行了详细而深入的分析,在此基础上,给出了优化过程中惯性权重、学习因子、最大速度等参数的变化规律,并通过仿真的方法确定了最优参数的取值。最后通过对基准函数的仿真实验,验证了本文算法的正确性和有效性。     

Multi-fault diagnosis study on roller bearing based on multi-kernel support vector machine with chaotic particle swarm optimization

A novel intelligent fault diagnosis model based on multi-kernel support vector machine (MSVM) with chaotic particle swarm optimization (CPSO) for roller bearing fault diagnosis is proposed. Multi-kernel support vector machine is a powerful new tool for roller bearing fault diagnosis with small sampling, nonlinearity and high dimension. Chaotic particle swarm optimization is developed in this study to determine the optimal parameters for MSVM with high accuracy and great generalization ability. Moreover, the feature vectors for fault diagnosis are obtained from vibration signal that preprocessed by time-domain, frequency-domain and empirical mode decomposition (EMD) and the typical manifold learning method LTSA is used to select salient features. The experimental results indicate that this proposed approach is an effective method for roller bearing fault diagnosis, which has more strong generalization ability and can achieve higher diagnostic accuracy than that of the single kernel SVM or the MSVM which parameters are randomly extracted.     

基于粒子小波变异算法的焊接图像缺陷检测研究

为了提高焊接图像缺陷检测的效果,采用粒子小波变异算法。首先对焊接图像进行滤波和增强,确定焊缝缺陷边界提取范围;然后对粒子群进行小波变异操作,适应值较好的粒子变异概率相对小,通过海明距离计算粒子群的缩放因子,把Morlet小波作为母波,增加粒子多样性;最后建立焊接图像缺陷检测模型,给出算法流程。试验仿真显示,本文算法对焊接图像缺陷检测形状接近实际,能检测出不规则的缺陷,缺陷边缘连通性好,像素误差小,检测效率高。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

基于粒子群算法的地震模拟振动台参数整定方法

在地震模拟振动台控制系统中,常用三参量控制实现加速度信号控制,但目前三参量参数理论整定方法存在效果不佳、智能化程度不高等问题.针对三参量控制参数整定问题,提出一种基于粒子群算法的三参量控制参数整定算法,利用粒子群算法的寻优能力完成三参量参数整定研究.仿真结果显示,与理论值相比,粒子群算法自整定值控制下地震模拟振动台波形...