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SVD的地铁盾构洞门钢环空间形态参数计算

为解决现有地铁盾构隧道洞门钢环空间形态参数计算方法步骤繁琐、需要初始值等问题，在分析空间平面方程和球面方程求解系数特点的基础上，提出利用奇异值分解（SVD）法一次性解算出球面方程参数和洞门钢环所在空间平面单位法向量，再利用上述参数直接计算洞门钢环的中心位置、半径、平整度、圆度等空间形态参数。该过程无需初始值和迭代计算，更为便捷高效。为消除观测点中可能存在的粗差，进一步结合方差比值检验法实现粗差的探测。应用结果表明： SVD法计算结果与商业软件一致，即使存在粗差，利用方差比值检验法也可以准确定位粗差，二者结合具有较好的实用价值。