考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归(SVR)相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解(CEEMDAN)方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解(VMD)方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。     

VMD与多重分形奇异谱的往复压缩机故障特征预测方法

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解(Variational Mode Decomposition,VMD)的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN(K Nearest Neighbor)预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于VMD结构的ERP体系结构

良好的体系结构是ＥＲＰ应用系统成功的关键．ＶＭＤ（视图－模型－数据）主要关注于问题领域建模,数据建模和用户视图建模．本文应用ＶＭＤ模型作为ＥＲＰ体系结构,来组织部件构成ＥＲＰ应用系统     

基于变分模态分解和高阶统计量的梯级故障诊断研究

自动扶梯是地铁车站内必不可少的大型公共交通设备,一旦发生故障,小则影响运营,大则引发安全事故;梯级作为自动扶梯的重要结构部位,其固定螺栓松动必然会导致自动扶梯运行异常;针对梯级振动信号故障特征难以提取的问题,提出了变分模态分解(VMD)和高阶统计量(HOS)联合来对自动扶梯故障特征提取;该方法首先对原始振动信号进行VMD分解,得到K个固有模态分量(IMF);然后对主IMF分量进行奇异值分解(SVD)降噪,对去噪后的主IMF分量进行重构得到新的信号;最后通过高阶统计量对新的信号故障特征提取,并利用随机森林分类算法对三类不同的振动信号样本进行分类识别,确定梯级振动故障类型;实验结果表明,该方法可以有效地提取故障特征,实现故障诊断与分类。     

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。     

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题, 本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO). 首先, 引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization, PSO) 的模态切换, 更好地维持了算法搜索和收敛能力之间的动态平衡. 然后, 鉴于引入历史信息能够降低算法陷入局部最优的可能性, 提出一种全信息策略来克服PSO算法搜索能力不足的缺陷. 数值仿真实验表明, EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法. 最后, 应用EFPSO算法对变分模态分解(Variational mode decomposition, VMD)去噪算法进行改进, 并在现场管道信号去噪取得了很好的效果.     

基于胸腔信号样本的FMCW雷达身份验证

针对当前使用体征信号进行身份验证准确率低,且特征提取过程复杂的问题,本文在通过毫米波雷达检测生命体征的基础上,提出了一种将纯净的人体胸腔信号（Chest Cavity Signal, CCS）作为样本进行身份验证的方法。首先,对提取到的雷达原始信号进行预处理,消除与实验无关的冗余干扰并提取相位信号。接着对含有干扰的相位信号进行变分模态分解（VMD）,提取纯净的心跳与呼吸信号并制作CCS样本。最后将CCS样本送入二维卷积神经网络（2D CNN）中进行训练并验证身份,识别准确率达到了97.5%,实验证明本文提出的方法对于身份验证具有很好的效果。     

基于VMD的螺栓松动状态识别

针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。     

Early fault feature extraction of bearings based on Teager energy operator and optimal VMD

As the fault shock component in vibration signals is extremely sparse and weak, it is difficult to extract the fault features when large-scale, low-speed and heavy-duty mechanical equipment is in the early stage of failure. To solve this problem, an early fault feature extraction method based on the Teager energy operator, combined with optimal variational mode decomposition (VMD) is presented in this study. First, the Teager energy operator was used to strengthen the weak shock component of the original signal. Next, a logistic–sine complex chaotic mapping with variable dimensions was constructed to enhance the global search ability and convergence speed of the pigeon-inspired optimization (PIO) algorithm, which is named the variable dimension chaotic pigeon-inspired optimization (VDCPIO) algorithm. Then, the VDCPIO algorithm is used to search for the optimal combination value of key parameters of VMD. The enhanced vibration signal is decomposed into a set of intrinsic mode functions (IMFs) by the optimized VMD, and then kurtosis for every IMF and mean kurtosis of all IMFs are extracted. According to the average kurtosis, several IMFs, whose kurtosis value is greater than the average kurtosis value, are selected to reconstruct a new signal. Then, envelope spectrum analysis of the reconstructed signal is carried out to extract the early fault features. Finally, experimental verification of the method was performed using the simulated signal and measured signal from a rolling bearing; the experimental results indicate that the method presented in this paper is more effective to extract the early fault features of this kind of mechanical equipment.