VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于VMD多尺度模糊熵的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低、远端高阻故障识别困难等问题,提出一种基于变分模态分解VMD(variational mode decomposition)多尺度模糊熵的HVDC输电线路智能故障识别方法.首先对暂态电流信号进行VMD分解,利用中心频率法则提取合适的IMF分量计算多尺度模糊熵、VMD能量和比值.分别利用V...     

基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

基于振动信号的锂离子电池故障诊断方法

为实现对锂离子电池过充及外部短路故障的诊断,提出一种基于改进变分模态分解(VMD)-多尺度熵(MSE)的锂离子电池振动信号特征提取方法.通过改进VMD对振动信号进行分解,对所得固有模态分量求多尺度熵值,提取锂离子电池在不同工况下的振动特征,最后基于此特征进行K均值聚类,完成对过充和外部短路故障的故障识别.经对比实验验证,该方法能有效提取锂离子电池振动信号特征量,正确识别锂离子电池的过充及外部短路故障,且准确率更优.     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于CEEMDAN-HD-云模型特征熵的油气管道工况识别

针对长输油气管道泄漏检测过程中泄漏信号特征信息提取困难,提出一种新的管道负压波信号特征提取方法。采用添加自适应噪声的完备集合经验模态分解算法对采集的负压波信号进行去噪,通过评估CEEMDAN分解后分量与原始信号的概率密度之间的豪斯多夫距离选取有效模态并重构。计算重构信号的云模型特征熵、峭度作为特征参数,用支持向量机进行分类识别。通过实验室数据验证,CEEMDAN、豪斯多夫距离与云模型特征熵结合的方法可以有效提高油气管道泄漏检测的准确性,实现了对流量小于m/h的微小泄漏信号的识别,具有一定的现场应用价值。     

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

基于 VMD-SVD 自优化的管道微泄漏信号增强方法

针对复杂环境噪声下管道微泄漏特征难以提取的问题,提出基于变分模态分解-奇异值分解(VMD-SVD)自优化的管道 微泄漏信号增强方法。 首先,采用遗传迭代算法对 VMD 参数对[α,K]进行自适应优化,采用奇异值峭度差频谱对 SVD 重构阶 次进行自适应优化;然后,采用参数优化的 VMD 对泄漏信号进行分解,并采用峭度分析法对分解的模态分量进行筛选并重构; 最后,采用阶次优化的 SVD 对重构信号进行非线性滤波,从而提高微泄漏信号的信噪比。 仿真与实验结果表明,信号增强方法 使仿真信号的信噪比提高了 9. 32 dB,使管道微泄漏信号的相关性提高了 5. 92 倍,使互相关泄漏相对定位误差减少了 14. 34%。     

基于变分模态分解与精细复合多尺度散布熵的发电机匝间短路故障诊断

针对多极发电机匝间短路故障诊断与识别难度高的问题,提出了变分模态分解与精细复合多尺度散布熵结合的方法处理发电机定子振动信号.所提方法应用变分模态分解将原始信号分解为多个模态分量,并依据峭度和相关系数原则选取2个不同分量进行信号的重构,应用精细复合多尺度散布熵来进行重构信号的分类及故障识别.对3对极发电机匝间短路故障前、...     

基于MVMD与CMSE的水电机组摆度信号消噪方法

本文提出了一种基于多元变分模态分解(Multivariate Variational Mode Decomposition, MVMD)与复合多尺度熵(Composite Multi-scale Entropy, CMSE)的水电机组摆度信号消噪方法。该方法利用MVMD算法将多传感器同时采集的多通道摆度信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态分量;采用复合多尺度熵阈值准则确定重构信号的固有模态分量个数,实现水电机组摆度信号的消噪。通过与VMD及小波分解方法进行仿真信号消噪对比,比较相关系数与信噪比,结果表明本文提出的方法具有更好的消噪效果。最后通过实例分析进一步验证了本文所提出的方法具有更好的信号消噪性能。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问 题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随 机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transform WPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑 的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然 气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需 专家识别也可初步判别管道状况。     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

基于IWOA-VMD的永磁同步电机匝间短路故障振动信号去噪方法

针对永磁同步电机(permanent magnet synchronous motor, PMSM)匝间短路故障振动信号易受噪声干扰导致故障特征难以准确提取的问题,提出一种改进鲸鱼优化算法(improved whale optimization algorithm, IWOA)优化变分模态分解(variational mode decomposition, VMD),并将其应用于PMSM匝间短路故障振动信号去噪。首先在传统鲸鱼优化算法中引入非线性收敛因子、自适应权重和柯西算子,利用IWOA算法对VMD参数进行寻优来实现信号的自适应分解。然后根据多尺度排列熵-方差贡献率最优模态分量选取原则将信号分量分为噪声主导分量和有效信号分量,对噪声主导分量进行非局部均值滤波(non-local mean filtering, NLM)去噪。最后将去噪分量与有效信号分量重构为去噪信号。使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障实验平台,利用该方法对仿真与实测信号进行去噪处理,并与小波阈值去噪等去噪方法进行对比分析,得出仿真信号的信噪比从8 dB提升至20.273 8 dB,实测信号的信噪比相较于小波阈值去噪提高了77.01%,验证了所提方法的有效性和实用性。     

基于优化变分模态分解的海杂波去噪方法

文章分析了确定变分模态分解(VMD)参数存在的问题,提出了一种基于优化变分模态分解的海杂波去噪方法。利用鲸鱼优化算法(WOA)对模态个数K和惩罚参数α进行寻优,对海杂波原信号自适应分解,去除方差贡献率(VCR)较低模态分量,结合模糊熵筛选出噪声占主导的模态分量,将其进行Savitzky-Golay(SG)滤波处理。对滤波后的分量和有用分量叠加重构去噪后的信号,通过最小二乘支持向量机(LSSVM)对海杂波信号进行预测并验证去噪效果。仿真结果表明,本文所提算法能够有效抑制噪声干扰,去噪后的均方根误差(RMSE)为0.000 29,比去噪前的均方根误差0.012 3降低了两个数量级。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。     

基于多域特征的螺栓松动检测方法研究

螺栓作为机械设备最常用的连接件,螺栓连接的稳定性对保障机械设备安全运行起着至关重要的作用,对螺栓松动程度进行检测有着重要意义.针对螺栓松动4种不同状态,提出了一种基于变分模态分解(VMD)及时频敏感特征与最小二乘支持向量机(LSSVM)相结合的螺栓松动检测方法.针对螺栓松动的4种不同状态,搭建了螺栓松动检测模拟实验平台...