柴油机振动信号自适应分解方法的比较

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

基于VMD多尺度散布熵的柴油机故障诊断方法

为从非平稳非线性的缸盖振动信号中提取出柴油机故障特征,本文中提出一种基于变分模态分解(VMD)的多尺度散布熵的柴油机失火故障诊断方法。利用VMD对柴油机缸盖振动信号进行分解,选取散布熵最小的模态分量作为分析信号,计算该信号的多尺度散布熵,并选取前6个尺度散布熵作为故障特征向量,输入粒子群优化的支持向量机(PSO-SVM)中进行失火故障分类判断,并与其他4种常见方法进行对比,结果表明,本文中提出的诊断方法能够有效提取故障特征,准确识别故障类型,优于所对比方法。     

基于优化VMD的悬索桥挠度温度效应分离方法

为了研究悬索桥实测挠度的温度效应分离,进一步分析悬索桥实测挠度与温度之间的关联性,采用了变分模态分解(variational mode decomposition, VMD)方法对挠度信号进行处理。通过经验模态分解(empirical mode decomposition, EMD)和VMD对仿真信号的对比分析,发现VMD较EMD对噪声有更好的鲁棒性,解决了EMD所存在的模态混叠现象,但仍存在端点效应。提出采用3段交叉信号分解消除VMD分解所存在的端点效应,考虑模态个数、惩罚因子对VMD分解的影响,形成了基于优化VMD的温度效应分离方法。利用优化VMD方法将输入挠度信号分解成一系列具有不同尺度的本征模函数(intrinsic mode function, IMF)。根据各个分解模态的中心频率,结合实际温度变化的周期性判定对应的挠度组分,对由温度引起的挠度分量进行组合,研究了悬索桥不同截面挠度与温度的关联性,相关系数均达到0.9以上。结果表明,该方法能有效地分离信号中不同的频率组分,同时还能提取出挠度信号中的趋势项,通过分析各个模态与实测温度的关联性,证明温度效应主要集中在低频段,悬索桥挠度变化主要受温度影响;在模态个数的选择过程中,发现随着模态个数的增大,低频信息的中心频率逐渐趋于稳定,高频信息被分解得更加精细。验证了该方法可用于桥梁长期健康监测的数据分析及桥梁损伤识别。     

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。     

基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用，以及包含故障信息的特征参数的选取问题，提出了自适应变分模态分解(AVMD)算法。该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数，利用蚱蜢算法(GOA)寻优，获取VMD的分解参数(K_op,α_op),接着对原始振动信号进行VMD分解，通过能量百分比的计算，选取能量90%及以上的敏感模态，对其多域联合的特征参数构建特征向量，最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别。通过滚动轴承数据集分析表明，采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高，在测试数据集上的准确率达到99.166 7%。     

基于自适应奇异值标准谱和EMD的柴油机故障诊断

针对柴油机多发故障,提出了自适应奇异值标准谱和经验模态分解(Empirical Mode Decomposition,EMD)相结合的故障诊断模型。通过计算平均最近邻域发散度和奇异值标准谱的方法自适应地选择奇异值分解的嵌入维数和重构阶数,提高了奇异值分解降噪的精度。对降噪后的信号进行EMD分解,并利用调整余弦相似度标准提取反映信号真实特征的主固有模态函数(Intrinsic Mode Function,IMF),进而提取故障特征参数。将此模型应用于F3L912柴油机进气门漏气、单缸失火和多缸失火等故障的诊断,通过提取峭度和过零率作为故障特征,获得了较高的故障分类准确率。     

基于改进变分模态分解与双测度分形维数的发动机故障诊断

提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与双测度分形维数的发动机故障诊断方法。首先利用互信息法对缸盖振动信号进行端点延拓,并利用VMD算法将延拓后信号分解为多个固有模态分量(Intrinsic Mode Function,IMF),从而抑制VMD的端点效应,提高信号分解精度。然后利用正交变换方法将各IMF分量正交化,给定时间尺度序列τ=(τ_1,τ_2,…τ_n),并自适应地选择分界点将τ划分为第Ⅰ、Ⅱ尺度区间,利用各正交化的IMF分量在两个尺度区间内分别计算信号的分形维数,得到双测度分形维数,分别描述信号中的细节信息和趋势信息。最后将双测度分形维数作为特征参数输入极限学习机分类模型实现发动机故障诊断。仿真与试验结果表明:所提方法能够有效抑制VMD的端点效应,提高信号分解精度,双测度分形维数具有良好的类内聚集性和类间离散性,提高了发动机故障诊断精度。     

基于多尺度核独立元分析与核极限学习机的柴油机故障诊断

为提高柴油机故障诊断速度和精度,提出了基于改进多尺度核独立元分析与量子粒子群优化核极限学习机的故障诊断方法。首先利用固有时间尺度分解对缸盖振动信号进行多尺度时频分解,并根据故障敏感度参数筛选有效分量以实现振动冲击特征增强;然后利用核独立元分析消除有效分量间的频带混叠,分离故障敏感频带,并提取各频带的AR模型参数、多尺度模糊熵和标准化能量矩构造联合故障特征向量;最后建立基于量子粒子群优化的核极限学习分类器实现柴油机故障诊断。试验结果表明,该方法有效增强了缸盖振动信号中的故障敏感特征,提高了柴油机故障诊断速度和精度,故障分类准确率达到98.45%。     

希尔伯特-黄变换联合分析法在桥梁健康监测模态参数识别中的应用

采用希尔伯特-黄变换方法对桥梁原始振动信号进行分析处理,由于原始信号中信噪比不同,导致在经验模态分解过程中出现模态混叠现象,增加了桥梁模态参数识别难度.结合北京立水西桥健康监测系统振动分析实例,通过将带通滤波与希尔伯特-黄变换相结合的方法,提高桥梁振动信号信噪比,消除在经验模态分解过程中的模态混叠现象,并获得信号的时间～频率局部信息,最后通过绘制桥梁振动时间～频率～振幅曲线,识别桥梁阻尼与频率,并将识别成果与荷载试验结果做对比,其误差在合理范围之内.     

基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

变分模态分解的Volterra模型和形态学分形维数在发动机故障诊断中的应用

针对实测发动机故障信号的非线性和形态学分形维数难以对其有效估计的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)的Volterra模型和形态学分形维数相结合的发动机故障诊断方法。首先采用VMD方法对发动机故障信号进行分解,通过基于互信息熵-能量熵增量的虚假固有模态函数(intrinsic mode function, IMF)分量剔除算法,将噪声和虚假干扰成分从信号内分离,对含有故障信息的敏感IMF分量重构,然后通过对重构信号相空间的重构,建立Volterra自适应预测模型,获取模型参数,最后计算模型参数向量的形态学分形维数,并将其作为量化的特征参数用于发动机工作状态和故障类型的识别。通过对实测发动机声振信号的分析,结果表明,该方法可有效提取发动机的状态特征信息,实现发动机异响的故障诊断。     

基于Fast-ICA算法的改进EEMD算法在桥梁工程中的运用

目前,以振动分析为基础的桥梁结构健康状态评估方法逐渐受到人们的重视,模态参数识别作为振动分析的关键问题之一,还需进一步完善。模态参数识别即是对结构的振动信号进行动力特性参数的识别,以得到结构的频率、振型以及阻尼比。为了精确地识别出桥梁结构的模态参数,需先对传感器采集的结构响应信号进行分解和重构以保留结构的真实信息,再对重构信号进行模态参数辨识。现阶段,集合经验模态分解算法作为常用的信号分解算法之一,存在两大缺陷,即所得本征模态函数间存在模态混叠现象和有效本征模态函数的定义没有统一的标准。基于此提出对应的改进算法,首先将夹角余弦法用于筛选有效IMF分量;其次将盲源分离算法中的Fast-ICA算法嵌入EEMD分解算法中以避免模态混叠现象的发生;接着将所提算法运用于模拟信号以验证其可行性;最后将所提改进算法运用于实际桥梁工程的响应信号中,并对比分析所得模态参数值以验证该算法的可靠性。结果表明,所提算法较现有EEMD算法具有更好的信号分解效率,且能够有效地剔除结构的虚假信息,保留实际桥梁结构的真实信息。     

基于改进EEMD算法的桥梁结构模态参数识别

对于桥梁结构而言,可以通过监测其模态参数值的变化情况来评判其健康状况。在对桥梁结构进行模态参数识别时,由于传感器采集的响应信号是在环境激励下监测的,所以信号中会含有部分的噪声,不仅会影响识别结果的精度,还会导致虚假模态的存在,所以实际运用中需要先对响应信号进行一定的预处理。现阶段被广泛运用的预处理方法是总体经验模态分解(EEMD)算法,虽然该算法是在EMD算法基础上改进得到的,但依然存在一定的缺陷。为了弥补这些缺陷,提出了一种新的分解算法,即互补自适应噪声的集合经验模态分解算法(EEMDCAN)。首先确定添加白噪声的幅值标准差和集成平均次数,接着引入了统计学中的聚类分析、相关性分析以及模糊综合评价算法来实现信号的自适应分解与降噪。最后利用所提算法对仿真信号进行分解与重构,并将所得结果与EEMD分解结果进行对比分析,以验证所提算法的可行性;同时为进一步验证所提算法能运用于实际桥梁结构中,以某大型斜拉桥为研究对象,利用改进算法对其加速度信号预处理,结果表明改进算法能够克服EEMD算法存在的模态混叠现象,能更好地对信号进行降噪与重构,且能保留响应信号中更多的有用信息,具有一定的实际运用价值。     

基于EEMD和能量算子解调的发动机瞬时转速计算

针对发动机瞬时转速Hilbert频率解调法端点效应误差大、计算精度低的问题,提出了基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和能量算子解调的瞬时转速计算方法。该方法利用EEMD从原始多分量信号中提取包含瞬时转频的单分量信号,再利用能量算子解调法从所提单分量信号中解调出瞬时转频,进而求得瞬时转速,消除了Hilbert变换的端点效应,提高了计算精度。通过试验信号仿真和实测信号的应用研究,证明了本方法的有效性和准确性。     

基于自适应变分模态分解的扩展工况传递路径分析方法

为削减扩展工况传递路径分析在信号采集过程中干扰噪声的影响,提高分析精度,提出了一种结合自适应变分模态分解和巴氏距离的优化OPAX方法。该方法考虑到多尺度模糊熵能够较好地表征非稳态复杂信号,将其作为适应度函数。采用模拟退火粒子群算法和粒子群算法分别对信号进行自适应变分模态分解,并通过模拟信号证明了模拟退火粒子群算法的泛化性和准确性。最后采用巴氏距离对分解信号进行筛选,以区分相关模态和非相关模态,将相关模态进行重组实现OPAX采集信号的有效去噪。在确定去噪算法的准确性后,以某轻型客车为例,建立了振动测点到驾驶员右耳的传递路径分析模型,在90 km/h匀速行驶工况下采集整车主要结构点悬置主被动端的加速度信号,并对采集信号进行了降噪处理。以驾驶员右耳声压的测试值为参考,对比了OPAX优化前后计算结果。结果表明:优化后OPAX计算值的信噪比提高了71.2%,均方根误差减小了66.9%,在峰值频率处的误差均控制在5%以内;该方法能有效滤除OPAX在信号采集过程中的干扰噪声,有效保留信号的完整性,提高OPAX方法的分析精度。     

基于改进局域波法的柴油机振动信号分析

提出了一种基于奇异值分解降噪的柴油机振动信号局域波分解方法,首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解的奇异值降噪,接着利用经验模式分解法提取降噪后振动信号的基本模式分量,最后作出时频曲线和边界谱曲线。对滤波前和滤波后的柴油机振动信号进行了局域波分析,分析结果表明,奇异值分解能够有效地提高信噪比,突出原始振动信号的特征,使得降噪后的振动信号分解出的基本模式分量和时频曲线以及边界谱曲线具有更明确的物理意义,有利于对柴油机进行精确诊断。     

基于CEEMD-SA-RNN的柴油机曲轴轴承磨损预测北大核心

为解决传统故障诊断方法效率低的问题,以某步兵战车柴油机为研究对象,提出了一种补充的集合经验模态分解与奇异值分解相结合提取信号的特征,使用模拟退火算法优化循环神经网络对曲轴轴承磨损程度进行预测的方法。采用补充的集合经验模态分解方法对振动信号进行分解,用奇异值分解方法进行特征提取,利用特征对模拟退火算法优化的循环神经网络进行训练及预测。对所提出的算法进行试验分析,结果显示预测准确率达到97.48%,比普通的循环神经网络系统预测的准确率提高了5%以上。     

基于EMD和Gabor变换的发动机曲轴轴承故障特征提取

针对发动机振动信号的非平稳特点,提出了一种基于经验模态分解(EMD)和Gabor变换相结合的曲轴轴承故障特征提取新方法。通过EMD方法将发动机非稳态加速振动信号分解成多个本征模态函数(IMF),对与原信号相关性强的前4阶IMF分量进行Gabor变换,从各阶分量Gabor时频分布图的频带能量累加曲线中提取能够反映曲轴轴承磨损故障的频带能量作为故障特征参数。试验结果表明,该方法提取的故障特征参数能敏感地反映曲轴轴承的磨损状态,可作为诊断曲轴轴承故障的重要特征量。     

桥梁结构模态参数的时频域识别

为在时频域内识别桥梁结构的模态参数,针对HHT(Hilbert-Huang Transform)方法识别桥梁结构模态参数中存在的端点效应、模态混叠以及频率识别与阻尼识别相互耦合现象,应用带通滤波和扩展随机减量法对HHT方法进行改进,建立了一种基于现代信号时频域分析的桥梁结构模态参数识别方法,然后基于MATLAB平台,编制了桥梁结构模态参数时频域识别程序,并以某吊拉组合桥梁全桥模型试验为例,利用实测数据对所提方法进行验证。结果表明,该方法能正确识别出模型桥梁的前11阶竖向自振频率、前6阶阻尼比以及前3阶模态振型;阻尼比的识别结果为0.2%~2%;识别结果与有限元模型修正后的计算结果相差不大。所提方法能正确、有效地在时频域内识别桥梁结构的频率、阻尼及模态等参数。     

基于VMD-SWT滚动轴承故障诊断方法研究

在强噪声背景下,滚动轴承非平稳非线性的早期微弱故障信号特征提取较为困难,提出结合变分模态分解(Variational Mode Decomposition,VMD)和同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)的分析方法,该方法首先利用最大峭度准则优化VMD参数,使用优化后的参数对故障信号进行VMD分解,再利用峭度准则选择含有有效信息最多的本征模函数(Intrinsic Mode Function,IMF),最后使用SWT对最优IMF进行处理分析,从而提取有效特征频率。对强噪声背景下滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行处理分析,结果表明相比Hilbert包络、SWT等方法,该方法能够从强噪声背景下提取出故障信号频率特征,以此判断滚动轴承的运转状况。同时该方法能够有效重构信号。