基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取

针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题.提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法.首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L-峭度和相关系数的最优模态分量选取准则;然后对选取的最佳分量进行改进阈值降噪;最后,对...     

基于VMD-PNN的砂轮钝化声发射检测

在磨削加工过程中,加工刀具即砂轮会发生钝化现象,砂轮表面磨损影响加工精度和工件质量,需要及时检测并修整.磨粒的塑性变形、破碎、断裂等会产生声发射信号,能够作为精确识别砂轮钝化状态的依据,且不易被噪声干扰,因此提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和概率神经网络(...     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

金属材料声发射信号特征提取方法

试图通过对声发射信号的检测实现对水轮机转轮叶片金属疲劳裂纹的在线监测。利用美国PAC公司SAMOS声发射检测系统采集到声发射的各种参数：针对大型水轮机现场环境的情况,选用了四种声发射信号。通过BP神经网络和模式识别结合的方法,设计特征提取器来提取金属材料疲劳声发射特征信号。比较神经网络输人参数对输出结果的灵敏度,选择出一些对分类识别最有效的特征参数：并采用可分离性判据进一步验证其正确性。最后,在13个声发射特征参数中,质心频率、计数、持续时间、上升时间、平均信号电平等五个参数的特征最为显著,可以用于识别现场环境下的声发射信号。     

基于SSA-VMD的爆破振动信号趋势项去除方法

针对爆破振动信号存在的趋势项干扰问题,提出一种改进变分模态分解(variational mode decomposition, VMD)的趋势项去除方法。该方法采用麻雀搜索算法(sparrow search algorithm, SSA)优化VMD参数,接着对信号进行VMD分解,得到一组模态分量(intrinsic modal function, IMF)。通过均值比法筛选出趋势项分量,对剩余分量重构得到去除趋势项的信号。经过仿真信号分析,SSA-VMD相较EEMD在均方根误差、相对范数和最大误差上分别降低了约73%、49%和82%,SSA-VMD对趋势项提取更为充分,识别趋势项的精度更高。同时,SSA-VMD对实测爆破振动信号进行分析,结果表明,该方法消除了爆破振动信号零点漂移现象,信号波形回归到基线中心,主频率趋于合理,提高了信号频谱分析的精度。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

EMD信号分析方法的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干IMF分量进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

基于IVMD-RPE的船舶噪声信号去噪及特征提取方法

针对由于复杂环境条件下的船舶噪声信号识别度低的问题,提出了一种改进的变分模式分解(Improved Variational Mode Decomposition,IVMD)、反向排列熵(Reverse Permutation Entropy,RPE)、加权排列熵(Weighted Permutation Entropy,WPE)和能量比相结合的船舶噪声信号识别分类方法。该方法利用IVMD将信号分解为若干本征模态函数(Intrinsic Mode Function,IMF);再利用RPE对IMF进行筛选,得到敏感IMF,实现去噪过程;最后计算IMF的WPE并与各个IMF的能量比构建特征向量,建立长短期记忆网络(Long Short-Term Memory,LSTM)进行识别分类。实验结果表明,与经验模态分解相比,文中提出的基于IVMD-RPE的船舶噪声信号去噪及特征提取方法能有效减少环境噪声的影响,提高信噪比,对船舶噪声目标信号识别分类的准确率更高。     

基于VMD与AdaBoost-SCN的海缆振动信号识别方法EI北大核心CSCD

海底光缆的在线监测和振动信号识别是保证其正常运行的关键技术。搭建了基于布里渊光时域分析系统,模拟不同工况下的海缆振动信号。针对海缆振动信号信息丰富、信噪比低,使用单一随机配置网络(stochastic configuration network,SCN)模型对信号识别准确率不高的问题,提出了自适应增强(adaptive boosting,AdaBoost)算法优化的随机配置网络(AdaBoost-SCN)识别方法。首先用变分模态分解(variational mode decomposition,VMD)算法分解海缆振动信号,构建特征向量;然后采用AdaBoost-SCN算法对振动信号分类。结果表明,所提方法有着很高的精度,并且具有很强的鲁棒性与泛化能力,提高了布里渊光时域分析系统振动信号识别的有效性。     

基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法

针对转子裂纹故障特征难于提取,提出了一种基于蝙蝠算法(BA)优化参数的变分模态分解(VMD)诊断转子裂纹故障的方法。将蝙蝠算法应用于变分模态分解,对变分模态分解中参数K和惩罚因子α进行全局寻优,用BA搜索VMD的最优(α,K)组合,迭代过程采用局部极小包络熵为适应度值。仿真分析的结果表明,BA-VMD方法能很好的完成VMD参数K和α的自适应获取,且在抗模态混叠和抗噪声干扰方面的具有明显优势,最后采用BA-VMD方法对裂纹转子的位移信号进行了实验分析,分析结果表明,采用BA-VMD方法处理后的频谱能充分反映出信号的频率特征,且通过频率结构特征很容易识别出转子裂纹的故障特征。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断.利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性....     

基于变分模态分解的水下目标噪声特征提取及分类

当信号中存在异常事件引起的间歇现象时,传统的经验模态分解算法常易产生较为严重的模态混叠现象,严重影响目标特征提取的性能.文章在水下被动目标信号特征分析提取中引用变分模态分解算法.该方法能够自适应地对信号频带进行切割,极大程度上避免了传统模态分解算法所产生的模态混叠现象,提高了对目标特征提取的准确性,同时也避免了无效计算...     

应用变分模态分解和随机森林特征选择算法的扬声器异常声分类

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition, VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特征;然后利用随机森林特征计算提取特征的重要性,通过递归特征消除算法提取出相关性较强的特征构造出最优特征子集;最后将最优特征子集输入至随机森林分类器中,实现扬声器异常声的分类识别。试验结果表明,该方法可以筛选出规模较小且识别度较高的低维特征数据集,同时具有更好的平均识别准确率,平均识别准确率为98.61%。     

Gabor变换在声发射信号特征提取中的应用

机械故障或损伤引发的声发射(AE)信号由高频突发脉冲信号和长周期准平稳噪声信号组成,Gabor变换特有的时频局域化特性适于描述其时频特征.通过分析典型AE信号及其特征提取,将Gabor变换引入到声发射故障诊断领域,并提出了AE信号的Gaber变换分析法.通过理论分析和仿真,比较了Gabor变换和Wigner-Ville分布(WVD)提取AE信号特征的效果.研究了Gabor变换在强噪声背景下的抑噪能力,并给出了AE信号Gabor变换窗长的选取方法,从而有效克服了Gabor变换只用一个固定窗分析多尺度信号的缺陷.将Gabor变换用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分直观、清晰、准确.仿真分析和实验研究均表明了Gabor变换能有效提取AE信号的特征,为AE信号的波形分析开辟了一条有效的途径.     

基于变分模态分解的模态参数识别研究

基于变分模态分解(VMD),提出一种新的结构模态参数识别方法:①通过自由振动试验或通过随机减量法从结构随机振动响应中获取结构自由衰减振动响应(FDR),并采用VMD方法从FDR中分解出结构模态响应;②通过经验包络法(EE)计算模态响应瞬时频率,并通过一种该研究新提出的方法计算模态响应瞬时阻尼比;③结构的模态振型向量可通过处理所有可用传感器得到的模态响应得到。瞬时模态频率和模态阻尼比可以捕获模态参数的任何瞬态变化。通过一系列数值和试验算例验证了该方法的有效性,突出了该方法的优势,并对该方法抗噪声性能进行了研究。研究表明,该方法适用于线性和非线性系统,且可用于识别具有密集模态和瞬态特性的系统。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法.通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合.原始故障信...     

基于VMD-Teager的露天边坡爆破振动信号能量特征研究

爆破振动信号特征分析是研究边坡稳定性的有效方法之一,结合模拟退火算法(simulated annealing, SA)局部搜索能力强和遗传算法(genetic algorithm, GA)全局自动寻优的特点,选取模糊熵(fuzzy entropy, FE)为模态分量的适应度函数,求解变分模态分解(variational modal decomposition, VMD)的最优分解参数,建立以模态分量(intrinsic modal function, IMF)的频带分布为指标、趋势项判别准则及复相关系数原理相结合的趋势项去除方法;Teager能量算子解调单分量信号的解调速度、精度均高于Hilbert变换。综上,提出了基于趋势项滤除的VMD-Teager能量算子解调法,用来获取爆破振动信号的能量分布特征。某矿山测得爆破振动信号分析结果表明：与EMD法相比,基于参数优化VMD算法在去除信号趋势项方面更精确有效,能够解决原始振动信号中存在的基线偏移及低频干扰等问题。爆破振动能量以低频为主,PPV、主频率、能量呈现出了“波浪”式的变换态势。PPV、主频率的衰减速度与放大系数在同一量级,但能量峰...     

基于SVD与Fast Kurtogram算法的滚动轴承声发射故障诊断

针对声发射检测齿轮箱轴承故障问题,提出基于奇异值分解(Singular Value Decomposition,SVD)与Fast Kurtogram算法的故障诊断方法。通过奇异值分解提高信号信噪比;将Fast Kurtogram算法用于故障信号共振解调带通滤波器参数确定,结合能量算子解调包络谱,成功提取齿轮箱轴承内外圈故障特征,有效改善传统共振解调中人工选择滤波器参数的不确定性。通过仿真与实验数据验证所提方法的有效性。     

基于CEEMDAN-小波包自适应阈值混凝土声发射信号降噪研究EI北大核心CSCD

为了得到更加纯净的混凝土声发射(acoustic emission, AE)信号来更准确地监测混凝土结构破裂过程,提出了一种完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition, CEEMDAN)与小波包自适应阈值联合方法对循环荷载作用下的混凝土声发射信号进行降噪处理,运用信噪比和快速傅里叶变化(fast Fourier transform, FFT)分析来验证所用方法的可行性。实验结果表明:结合CEEMDAN-小波包自适应阈值对混凝土声发射信号进行降噪的效果较好,能有效地保留混凝土声发射信号特征信息,对混凝土声发射信号降噪提供新的思路,为后续利用声发射信号分析混凝土结构内部微裂纹扩展及演化特征奠定基础。