AVMD-KELM方法在水闸结构振动趋势预测中的应用

采用自适应的变分模态分解(adaptive variational modal decomposition,简称AVMD)与核极限学习机(kernel extreme learning machine,简称KELM)联合的方法对水闸在泄流过程中的监测信号进行振动预测分析,用以辅助决策和及时预警。首先,基于互信息准则确定AVMD的分解模态数,克服变分模态分解(variatronal modal decomposition,简称VMD)盲目选取分解参数的缺点,利用AVMD把水闸振动信号分解成K个固态模量(intrinsic mode function,简称IMF);其次,通过KELM对各IMF分量分别进行预测;最后,将各测点对应的IMFs预测结果相加作为最终的预测值。结合某水闸在自由泄流工况下的振动数据,分别采用AVMD-KELM和KELM模型、支持向量机(support vector machine,简称SVM)模型对其振动趋势进行预测,并将预测结果进行对比分析。结果表明,AVMD-KELM模型得到的预测结果与实测值更加接近,计算速度更快,精度更高,且误差较小,该方法可有效预测水闸结构的振动趋势。     

应用VMD与Teager能量算子的结构模态系统辨识

针对变分模态分解(variational mode decomposition,简称VMD)参数选择对结构模态特征识别的影响,应用VMD和Teager能量算子(Teager energy operator,简称TEO)提出了一种新的结构系统辨识方法,根据VMD层数参量K的变化寻找稳定的极点,用于识别结构模态特性。为了满足TEO对单分量的要求,采用VMD方法将振动信号分解成不同尺度的细节信号(band-limited intrinsic mode function,简称BIMF)。对BIMF使用TEO法估计固有频率与阻尼比,使用层数参量K时形成的稳态极点判断真实结构模态系统参数,去除虚假分量。进行了数值和实验验证,并与传统方法进行比较,结果表明,所提出的方法在传统模态分析与环境激励的模态分析均为有效、准确且可行的。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

基于改进多元经验模态分解的多通道振动信号融合分析

振动信号是机械故障诊断的主要信号之一,单一信号获取信息量有限,抗干扰能力较差,多通道数据比单通道数据获得了更完善的机械健康状态。本文提出了一种自适应噪声辅助多元经验模态分解方法实现多通道振动信号的同步分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,有效抑制模态混叠。仿真实验和工程案例验证了该方法的有效性,与经验模态分解和多元经验模态分解相比,自适应噪声辅助多元经验模态分解方法提高了分解精度,能准确地提取旋转机械故障频率。     

自动化立体仓库巷道堆垛机的振动测试与工作模态分析

在运行条件下对自动化立体仓库巷道堆垛机进行了振动测试。使用频域分解技术(FDD)和时域随机状态子空间辨识技术(SSI)分别从加速度响应数据提取了堆垛机的工作模态参数，包括固有频率、阻尼比和模态振型。在0～87Hz频带内采用两种不同的模态参数辨识方法估计的5个模态相当一致。分析结果表明：两种辨识算法都是有效的，估计的模态参数是可靠的。分析结果对于堆垛机的动力学修改和运行状态监控有重要的应用价值。     

含非线性干摩擦与粘滞阻尼系统的参数辨识

推导了含有理想干摩擦环节的单自由度振动系统在加速度域的参数分离及辨识方法,结合EMD(Empirical Mode Decomposition,简称EMD)经验模态信号筛分技术,用含噪声的加速度衰减响应信号对系统进行了参数分离及辨识.仿真结果表明,粘滞阻尼辨识精度达到了97.068%,干摩擦阻尼辨识精度达到了95.43%.将该方法应用于某化工厂管道组成的振动系统,成功地进行了粘滞阻尼和干摩擦阻尼辨识.     

基于多尺度线调频基稀疏信号分解的时变系统模态参数识别

在多尺度线调频基稀疏信号分解的基础上,提出一种时变系统的模态参数识别方法。该方法先采用多尺度线调频基稀疏信号分解方法对多自由度线性时变振动系统响应信号进行分解,将其分解成多个单模态振动响应信号并得到单模态振动响应信号的瞬时频率;再根据单模态振动响应信号的包络和瞬时频率识别系统的模态频率与模态阻尼比。多自由度线性时变振动系统模态参数的识别算例表明,与经验模态分解等时频分析方法比较,该方法能有效克服系统振动响应信号分解时的模态混淆问题,识别精度高,抗噪性能好,是一种有较大工程应用前景的多自由度线性时变振动系统模态参数识别方法。     

基于Gauss滤波和Hilbert变换的模态参数辨识算法

通过Gauss滤波和Hilbert变换相结合的方法,对柔性结构的模态参数进行了辨识。仿真计算结果表明,该方法可以十分有效地辨识出结构的相近模态参数,并具有较好的抗噪声性能。应用该方法,完成了空间柔性桁架结构的模态参数辨识,得到了比传统处理方法更接近理论计算结果的结构模态参数,能够有效地避免柔性结构参数辨识中的漏频现象,并具有高的辨识精度。     

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CEMD的燃油消耗率提取方法

针对飞参系统记录的剩余燃油信号量化噪声较大且呈非线性、非平稳性的特点以及经验模态分解(empirical mode decomposition,简称EMD)中存在的模态混叠给燃油消耗率提取带来的问题,提出了基于复数据经验模态分解(complex empirical mode decomposition,简称CEMD)的燃油消耗率提取方法。首先,提取记录信号中的关键信息,并利用非线性支持向量回归构造与真实信号形态上接近的模拟信号;然后,在CEMD中利用模拟信号来指导记录信号同步分解以减小模态混叠;最后,从分解结果中估算真实的剩余燃油信息并对其求一阶导数得到燃油消耗率。仿真结果表明,该方法相对于其他方法具有明显的性能优势,可以提取出精确的燃油消耗率参数。     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

全矢样本熵在高速列车故障诊断中的应用

为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵(full vector sample entropy,简称FVSE)算法的故障特征提取方法。首先,使用噪声辅助多元经验模态分解(noise assisted multivariate empirical mode decomposition,简称NAMEMD)方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别。实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98%以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性。     

基于改进EMD分解的时变结构密集模态的瞬时参数识别

提出基于改进经验模态分解(EMD分解)识别含有密集模态的时变结构的瞬时参数的方法。通过波组信号前处理和正交化经验模态分解方法(OEMD)解决传统的EMD无法分解2个近频模态的固有模态函数(IMF)和IMF分量之间不正交这两个问题,将该方法应用于时变结构密集模态的瞬时参数的识别中,给出基于此方法识别时变结构密集模态参数的步骤,并通过一个含有密集模态的3自由度时变结构算例验证了该方法的正确性、有效性以及识别密集模态的优势。     

基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法

为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则.将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵.将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断.实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率.基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高.     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

考虑不同库水耦合模式的拱坝振动特性分析

为探讨不同库水模型对拱坝结构动力特性的影响,结合拉西瓦工程实例,分别建立附加质量模型与流固耦合(fluid solid interaction,简称FSI)系统耦合模型进行动力特性分析,并将仿真结果与依据小波阈值-经验模态分解联合滤波的随机子空间(stochastic subspace identification,简称SSI)法辨识结果进行对比。结果表明:两种模型均可反映结构的振动特性,附加质量模型计算结果与辨识结果的频率误差为0.41%~7.55%;FSI系统耦合模型计算结果误差为0.09%~3.19%,且同阶次频率误差均比附加质量模型小,相邻阶次的频率间隔相对稳定,弥补了附加质量模型的模态缺失现象。FSI系统耦合模型在模拟阶数和精度方面都优于附加质量模型,能更全面、准确地反映坝体振动信息,可在拱坝结构动力特性分析中推广应用,亦可作为后续拱坝结构损伤诊断研究的基准有限元模型。     

时延对ITD法模态参数识别精度的影响

ITD(Ibrahim Time Domain)法利用结构自由振动响应,通过3次不同延时的采样,建立特征方程,求解结构的模态参数。延时采样过程中,时延的取值与模态参数识别精度息息相关,因此需要对ITD法的时延展开研究。通过理论分析推导出时延为采样间隔的倍数应小于采样频率为系统最大固有频率的倍数的一半。利用数值仿真及悬臂梁实验验证了该理论,分析了噪声环境下时延变化对模态参数识别的影响规律。结果表明,适当增大时延能提高ITD法的模态参数识别精度,降低噪声模态的影响。     

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。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

测量信息对飞行器工作模态辨识精度影响分析

针对模态辨识结果对输入的敏感性,研究了测量信息对飞行器工作模态辨识精度的影响。介绍了自回归 滑动平均(auto-regressive and moving average,简称ARMA)模型环境激励模态辨识方法的理论、试验测点和激励情况,并给出了试验研究方案情况。通过选择不同测点布置组合,研究了测点布置对辨识结果的影响。对各测点数据人为增加噪声,研究了数据品质对辨识结果的影响。研究发现,测点数目较多,且测点布置在振型数值较大位置,辨识结果较好。