变微分模态分解罚参量选择方法与时变系统识别

针对变微分模态分解（variational mode decomposition，VMD）罚参量会对分解结果产生影响的问题，提出一种基于数据驱动的VMD罚参量选择方法.该方法首先通过傅里叶变换的主频峰值确定罚参量；然后调整层数参量，获得有限个固有模式分量，通过对比不同层数参量时所得固有模式分量的固有频率与阻尼比变化，剔除伪分量；最后对真实固有模式分量进行希尔伯特变换，用于识别时变系统的瞬时频率. 为证明所提方法对时变系统识别的有效性和准确性，分别对具有时变刚度的结构系统和柴油发动机的时变做功过程进行研究，将所提方法结果与经验模态分解方法结果进行比较. 比较结果表明，当罚参数取值是信号最大幅值的1.5～16.0倍时VMD分解结果最优，所提方法可以更准确地识别瞬时频率，在工程应用中的能够更有效地对系统瞬时频率进行识别.      

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.