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。     

基于变分模态分解的超声检测信号降噪研究

为解决超声检测信号的降噪问题,该文基于变分模态分解能将信号分解为一系列窄带模式,而高斯噪声则被分解为整个频带内若干个宽带模式,提出一种超声检测信号降噪方法。该方法通过变分模态分解,计算各模态带宽和中心频率,选择信号模态,根据信号模态重构无噪信号4步实现对超声检测信号的降噪;通过仿真实验表明该文方法可以将含噪超声信号分解为信号模态和噪声模态,去除噪声模态后可显著提升信噪比;对信噪比为10 dB的含噪信号经该文方法处理后得到的重构信号和原始无噪信号的均方误差为0.000 7,波形相似系数为0.994 0,重构信噪比为19.237 4 dB。此外,为提高超声信号仿真模型和实际测量到的超声信号的匹配度,该文提出一种改进的超声信号模型。实验表明该模型和实测超声信号更接近,其均方误差为0.008 3,波形相似度为0.973 3。     

车辆系统振动的理论模态分析

将车体和转向架看成弹性体,采用有限元方法,建立用空间梁单元描述的具有50个自由度的车辆系统力学模型,并以客车为例研究其垂向振动的固有特性,所得结果既反映系统动力学性能,又为动态响应计算和分析找下基础。     

基于变分模态分解的静电监测信号去噪方法研究

受外界环境中的电磁等因素的影响,机械设备的有效静电信号往往被噪声淹没,使其故障特征难以提取.针对这一问题,提出一种基于变分模态分解的静电监测信号的去噪方法.首先,通过迭代计算出变分模态分解的最优解;然后,通过得出的最优解对静电监测信号进行重构;最后,对选取的分量进行故障特征提取并进行去噪得到变分模态方法去噪后的信号.通...     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

变分模态分解在自动机故障诊断中的应用

由于自动机工作环境复杂、各种响应信号相互叠加,为准确、高效地提取自动机信号的故障特征,提出一种应用变分模态分解(VMD)和极限学习机(ELM)的自动机故障诊断方法。首先对自动机信号进行变分模态分解,并与经验模态分解(EMD)结果进行对比;同时提取各模态分量的能量百分比和各工况下不同样本的样本熵作为特征值;将提取到的特征值输入到极限学习机中进行故障诊断,再与传统的双谱分析诊断结果进行比较。最终VMD方法实现信号频域内各分量的自适应剖分,并得出ELM的故障诊断准确率为87.5%。实验结果表明:变分模态分解能够有效避免模态混叠现象,同时验证所提方法的可行性与有效性。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

变分模态分解和K-L散度在振动筛轴承故障诊断中的应用

振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号,模态分解算法是个行之有效的方法,模态分解算法在去除大量高频噪声的同时,还能将振动信号分解成一系列具有单一成分的模态分量,从而能更好发现振动信号的物理意义。基于此,引入一种新的故障诊断方法,首先利用变分模态分解将故障信号分解为若干个窄带模态分量,然后根据K-L散度值选定最佳的分量,最后进行包络运算得出故障频率。通过仿真模拟实验与振动筛轴承故障诊断的实际应用,并与之前的经典模态分解算法——经验模态分解和集成经验模态分解进行对比,发现该算法更具有优越性和实用性。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为...     

基于变分模态分解的侵彻过载信号盲分离

侵彻过载信号包含复杂的信号分量,传统的信号处理方法无法有效提取弹体的侵彻过载特征.提出一种将变分模态分解与盲源分离相结合的侵彻过载信号特征分离方法,首先由变分模态分解将源信号分解成一系列本征模态函数;然后将本征模态函数与源信号组成多维观测信号,对其自相关矩阵进行奇异值分解估计源信号数目,并计算各本征模态函数与源信号的相...     

变分模态分解在地铁车辆熔断器非短路损坏故障分析

非短路损坏故障不但增加车辆运营经济成本,而且影响运营线路的运营计划。该文针对熔断器非短路故障频发的地铁车辆,基于NI作为检测硬件设计一套故障诊断测试系统,并应用Dasylab软件搭建系统的采集部分,通过对列车运营时段的测试数据进行整体统计分析,应用VMD剔除趋势项,对偏离均值的异常数据应用VMD分析,最终找到熔断器非短路故障频发原因。结果表明,该文所设计的故障诊断测试系统与分析方法是有效并可靠的,可为工程实用提供参考。     

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...     

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....     

自适应模态总数变分模态分解方法及其性能评估EI北大核心CSCD

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。     

基于变分模态分解的复杂航天器姿态扰动分析EI北大核心CSCD

以复杂航天器姿态控制系统为研究对象,在考虑航天器配置挠性帆板和充液贮箱的复杂情况下,对姿态控制系统闭环中由于帆板挠性和液体晃动产生的干扰力矩进行特性分析。基于虚功率法建立复杂航天器整体动力学方程,同时建立帆板振动和液体晃动动力学方程;采用相平面控制律完成复杂航天器姿态闭环控制仿真,对帆板挠性和液体晃动产生的干扰力矩进行数据采集;基于变分模态分解法对扰动力矩时域数据进行时频分析得到其扰动特性,为后续扰动抑制算法的设计提供理论基础。通过数学仿真结果表明该方法的适用性和准确性。     

基于稀疏指标的优化变分模态分解方法EI北大核心CSCD

针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。     

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。     

基于变分模态分解和奇异值分解的频率相近信号分离方法

频率相近信号分离是故障诊断的难点问题。变分模态分解(VMD)作为一种新的信号时频分析方法,对频率相近信号具有较高的分辨率,能够实现频率相近信号的分离。VMD分解时先指定分解层数,层数选取的优劣将直接影响分解效果,过分解时容易产生虚假频率成分,反之,欠分解则容易丢失有用频率成分。基于此,提出一种基于变分模态分解和奇异值分解相结合的相近频率信号分离方法。首先选择适当的分解层数对信号进行VMD过分解,然后对分解得到的分量进行奇异值分解,通过奇异值分解检测并剔除虚假信号成分,从而实现频率相近信号的有效分离。利用仿真信号和滚动轴承故障信号证明了该方法的有效性和可行性。     

基于变分模态分解和神经网络算法的微机械陀螺温度补偿

微机械陀螺仪在不同温度下工作体现出的性能有很大的不同,温度特征的存在,阻碍着陀螺的发展和应用,是误差的主要来源.为此本文提出了一种基于样本熵(SE)、变分模态分解(VMD)、BP神经网络、粒子群算法(PSO)以及时间频率峰值滤波(TFPF)的温度补偿方法.温度实验结果证明了该方法的优越性,经过算法处理后,补偿信号的零偏稳定性为1.089°/h,角速度随机游走为0.01815°/h√Hz,相比于原始信号的25.07°/h和角速度随机游走信号的0.94867°/h√Hz,该方法分别优化了95.66%和98.09%.该方法是平行处理方法,将陀螺输出中不同程度噪声和漂移进行分别处理,有效降噪的同时为神经网络提供了良好的数据学习.     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。