|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取显示文摘针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题。提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法。首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L-峭度和相关系数的最优模态分量选取准则;然后对选取的最佳分量进行改进阈值降噪;最后,对降噪后的信号进行希尔伯特包络谱分析实现故障特征频率的提取。在仿真信号和美国西储大学工程数据集上,对提出的方法进行了验证,同时与Teager能量算子降噪的方法和基于包络熵准则的优化方法进行了对比,结果表明提出的方法效果更优。 | 陈鹏 赵小强 | 2021 | 振动与冲击2021，40，13： | 23 |
| 2 | 基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断显示文摘针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法。针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α。进一步,为了克服单个ELM模型分类精度不高和分类结果不稳定的问题,提出集成极限学习机(IELM)实现多故障的分类和识别,提高故障分类的准确性和稳定性。首先,采用GWO优化VMD,自适应地获取最佳分解参数;其次,选择并提取模态信号的时频特征向量;最后,将特征向量输入到IELM中进行训练和分类。实验表明:本文方法可以自适应地分解信号并产生最佳分解效果,实现滚动轴承故障的准确早期预警和识别。 | 王进花 胡佳伟 曹洁 黄涛 | 2022 | 吉林大学学报(工学版)2022，52，2： | 15 |
| 3 | 基于改进SAE和双向LSTM的滚动轴承RUL预测方法显示文摘针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性.利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调.同时,考虑到滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法一般仅考虑过去信息而忽略未来信息,引入双向长短时记忆网络(Bi-directional long short-term memory,Bi-LSTM)构建滚动轴承RUL的预测模型.在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差. | 康守强 周月 王玉静 谢金宝 MIKULOVICH Vladimir Ivanovich | 2022 | 自动化学报2022，48，9： | 13 |
| 4 | 基于VMD和排列熵的滚动轴承故障诊断研究显示文摘针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴承的特殊运行特性,分析滚动轴承故障运行机理,得出基于峭度准则的排列熵(PE)特征向量构建方法,并使用支持向量机来对4种状态进行分类,最终实现故障诊断。 | 杨云 张昊宇 薛元贺 丁磊 | 2021 | 组合机床与自动化加工技术2021，，6： | 12 |
| 5 | 基于Transformer模型的滚动轴承剩余使用寿命预测方法显示文摘准确的滚动轴承剩余使用寿命(RUL)预测对保证机械安全运行和减小维修损失起着至关重要的作用。为提高滚动轴承RUL预测准确率,提出一种基于Transformer模型的轴承RUL预测方法,充分利用其自注意力机制与编码器-解码器结构的优势,解决轴承RUL预测中序列过长而导致的记忆力退化问题,挖掘出输入特征与轴承RUL之间复杂映射关系。同时,采用三角函数变换与累积变换来修正输入特征的单调性与趋势性,使其能更好地表征滚动轴承的退化过程。在PHM2012数据集上的实验结果表明:所提方法相比于对比方法平均绝对误差分别降低了9.25%、28.63%、34.14%,平均得分分别提高了2.78%、19.79%、29.38%;在XJTU-SY数据集上的实验结果表明,所提方法相比于对比方法均方根误差降低了17.4%,平均得分提高了18.6%,进一步证明了其可行性与优越性。 | 周哲韬 刘路 宋晓 陈凯 | 2023 | 北京航空航天大学学报2023，49，2： | 12 |
| 6 | 基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究显示文摘针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。 | 盛肖炜 于林鑫 毕鹏飞 康兴汝 朱美臣 | 2021 | 机电工程2021，38，9： | 12 |
| 7 | 基于VMD与SVM的电梯鼓式制动器故障诊断研究显示文摘传统的电梯制动器诊断方法存在操作繁琐、精度不高且易受环境影响等问题,为此,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)的电梯鼓式制动器故障诊断方法。首先,采集电梯运行过程中制动器振动的加速度信号,并利用VMD对振动信号进行了分解;然后,根据频谱分析结果选取了模态函数(IMF),并通过计算样本熵,对制动器的工况进行了表征,对电梯正常状态与故障状态的信号进行了特征提取;为了增强信号特征提取能力,使用相关系数与能量指标作为适应度函数,解决了VMD的参数选取问题,采用松鼠搜寻算法(SSA)得到了信号分解的最优值;最后,基于SVM对电梯鼓式制动器的故障进行了诊断。研究结果表明:通过对电梯实测数据结果进行分析,可证明该诊断方法能够有效识别两种鼓式制动器的常见故障,总体识别率达到96%;该结果证明该故障诊断方法是可行的,可满足电梯制动器的故障诊断要求。 | 郝家琦 徐金海 鲍超超 郑雷骏 唐波 | 2022 | 机电工程2022，39，1： | 6 |
| 8 | 基于MIGA-VMD和t-SNE的轴承故障诊断方法显示文摘针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法。变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取。为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化。利用参数优化的VMD将轴承原始振动信号分解为若干本征模态分量,计算与原始信号相关性较高的部分模态分量的排列熵构成故障特征,利用t-SNE方法进行降维得到低维特征向量并将其作为支持向量机分类器的输入,实现故障类型的诊断。将该方法应用到轴承故障诊断中并与EMD+排列熵+t-SNE、EEMD+排列熵+t-SNE、LMD+排列熵+t-SNE、传统VMD+排列熵+t-SNE四种特征提取方法进行对比。实验结果表明:该方法能更准确地提取轴承的故障特征,有效实现轴承的故障诊断。 | 王双海 米大斌 芦浩 姜文 龚思远 梁涛 | 2022 | 机床与液压2022，50，2： | 6 |
| 9 | 基于SVMD与SLLE的机械设备齿轮箱故障诊断方法显示文摘针对机械设备齿轮箱故障识别难度较大,且采集的信号通常受到强背景噪声干扰等问题,提出一种将连续变分模式分解(SVMD)和监督局部线性嵌入(SLLE)相结合的算法,用于机械设备齿轮箱的故障诊断。首先通过SVMD对采集到的振动信号进行分解,得到特定的期望模式分量;然后再获取这些分量的类标签信息,并利用这些类标签信息来缩放不同类别分量间的欧几里德距离;最后通过SLLE对这些处理后的样本数据进行降维处理,从而准确识别机械设备齿轮箱的故障类型。通过对模拟仿真信号和从齿轮箱故障模拟实验平台采集到的振动信号进行分析,聚类识别的正确率可以达到95.27%,验证了所提出方法的可行性。 | 方学宠 娄益凡 吴安定 覃嘉祺 | 2022 | 机械与电子2022，40，1： | 3 |
| 10 | 基于VMD变分模态分解的冲击波信号时频分析显示文摘冲击波信号时频分析是研究结构件抗爆特性和振动特性的基础。为了研究变分模态分解方法(VMD)在分析冲击波信号时的适用性,通过爆炸试验,测得炸药在不同爆心距的爆炸冲击波超压时程曲线。然后依据爆炸冲击波信号的时频特征讨论了算法中分解级数和惩罚因子的取值方法。通过VMD方法对爆炸冲击波信号进行分解,给出了分解后各分量的时域和频域信号的波形及分布规律。结果表明,在惩罚因子取0.15~0.5倍信号长度,且分解级数取幅频曲线分段数时,分解后信号的时域保真度和频域分辨率较好,爆炸冲击波能量主要集中在中低频部分和优势子频带部分,而在高频部分的能量分布相对较少,具有幅值较小,频带较宽的特点。 | 郭佳辉 高一轩 刘昌伟 祖旭东 | 2022 | 弹箭与制导学报2022，42，1： | 3 |
| 11 | 基于VMD-维纳滤波的时间序列去噪显示文摘传统去噪方法一般难以适用于非平稳时间序列。为提高去噪性能,提出了结合改进变分模态分解(VMD)及维纳滤波的去噪模型。首先,依据余量序列与其它模态间的互相关性来优化VMD模态个数;其次,采用改进VMD对时间序列平稳化并去除了高频噪声;最后采用维纳滤波器模态序列进行去噪。结果验证了提出方法的有效性。 | 汪春华 冯焱侠 | 2022 | 自动化技术与应用2022，41，1： | 3 |
| 12 | 基于振动图像特征提取的机械故障诊断与识别显示文摘为诊断出机械设备元件的故障表现类型,并针对该类型故障行为进行准确识别,提出基于振动图像故障特征提取的机械故障诊断与识别方法。分析图像数据说明条件,联合相关数据信息参量,求解故障特征集合表达式,实现对机械设备振动图像故障特征的提取与处理;按照故障信号样本熵空间的赋值范围,推导机械设备故障的振幅分解公式,再根据ICA识别系数的计算结果,判断奇异值指标的合理性,实现对振动型机械设备故障的诊断与识别。结果表明,振动图像故障特征提取算法能够准确诊断出机械设备的振动型故障,对于磨损型、过劳型故障行为来说,也能够获得83%以上的准确率。 | 付波 | 2023 | 组合机床与自动化加工技术2023，，3： | 2 |
| 13 | 基于事件触发的全信息粒子群优化器及其应用显示文摘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. | 王闯 韩非 申雨轩 李学贵 董宏丽 | 2023 | 自动化学报2023，49，4： | 2 |
| 14 | 基于参数联合优化VMD-SVM的工业机器人旋转部件故障诊断方法显示文摘针对因工业机器人旋转部件故障诊断模型最优参数难以自适应确定导致故障识别率低的问题,提出了一种参数联合优化的VMD-SVM的工业机器人旋转部件故障诊断方法;提出了一种基于遗传变异的改进灰狼算法,该算法采用Logistic混沌映射进行种群初始化,将非线性因子引入位置更新公式,并利用遗传变异策略解决算法陷入局部最优时的停滞现象;基于该算法对VMD和SVM进行参数联合优化;利用参数优化的VMD对故障信号进行分解,对所得的本征模态函数计算改进样本熵以构成特征向量,再输入至参数优化的SVM完成工业机器人旋转部件的故障诊断;仿真和实验结果表明,文章方法能够准确地进行故障诊断,在信号无噪和含噪的条件下准确率最高均达100%,较EMD、LMD、DTCWT、VMD等4种方法具有更优的指标。 | 王晓蓥 李帅永 | 2023 | 计算机测量与控制2023，31，5： | 2 |
| 15 | 基于VMD-SSA和多频段Hilbert能量的高压直流输电线路单端量保护方法显示文摘高压直流(high voltage direct current,HVDC)输电线路对故障暂态电压信号大多数频段都具有衰减作用,而HVDC的物理边界对高频分量会产生较强的衰减作用,对低频分量会产生一定的放大作用。根据上述特征,提出了一种基于变分模态分解(variational mode decomposition,VMD)-麻雀搜索算法(sparrow search algorithm,SSA)和多频段希尔伯特(Hilbert)能量幅值的高压直流输电线路单端量保护方法。利用SSA对VMD参数进行优化后,对故障暂态电压信号进行分解,然后对分解后的各个内涵模态分量(intrinsic mode functions,IMF)进行Hilbert变换求取其200~1200 Hz低频段和8~12 kHz高频段的Hilbert能量,利用低频段和高频段Hilbert能量之比构造故障区段识别保护判据,通过正极和负极其高低频段Hilbert能量和之比来判断故障极。仿真实验证明,所提出的方法能够有效避免利用经验模态分解(empirical mode decomposition,EMD)故障信号时会出现模态混叠这一现象,能准确地辨识出故障区域和故障极,具有较好的耐过渡电阻性,并能有效地保护线路全长。 | 陈锋元 韩昆仑 张腾跃 李泓政 刘书豪 | 2023 | 科学技术与工程2023，23，10： | 1 |
| 16 | 参数优化VMD与OMPE结合的滚动轴承故障诊断研究显示文摘针对难以判别的轴承运行振动信号中的状态特征,提出参数优化变分模态分解(VMD)和最优多尺度排列熵(OMPE)结合的特征向量构建的方法,采用支持向量机(SVM)进行故障诊断。VMD的分解结果由分解个数和惩罚因子限制,采用量子粒子群算法(QPSO)优化达到分解的最优效果。考虑轴承运行的周期性质,提出基于轴承故障运行周期特性的最优多尺度排列熵概念,运用模态分量与最优尺度排列熵结合构建特征向量。通过不同方法采用支持向量机识别对比分析,表明上述提出的方法能有效提取特征,提高轴承的故障诊断的精度。 | 杨云 张昊宇 薛元贺 丁磊 | 2022 | 机械科学与技术2022，41，5： | 1 |
| 17 | 基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究显示文摘为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题,提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先,使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化,搜索全局得出最优参数组合;利用优化后的参数对故障信号进行VMD分解,将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明:与EMD、未优化VMD相比,优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。 | 刘宇鹏 赵文卓 邹英永 | 2023 | 吉林工程技术师范学院学报2023，39，1： | 1 |
| 18 | 基于参数优化的VMD与TEO融合的微电网电能质量检测方法显示文摘针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动检测方法。针对VMD方法参数难确定的问题,利用天牛须搜索(Beetleantennaesearch,BAS)对VMD方法的最佳参数进行优化搜索。搜索过程以VMD分解后各本征模函数的包络熵极小值与VMD迭代次数的结合作为适应度函数。根据搜索结果设定VMD方法的最佳分解层数K和惩罚因子α,并运用参数优化VMD对扰动信号进行分解。针对扰动信号经分解后本征模函数的筛选问题,以包络熵为指标,选取包络熵较小值的本征模函数进行TEO解调分析,提取扰动信号的特征信息。仿真结果表明,融合算法能实现对微电网电能质量扰动的准确检测,并具有良好的抗噪性。 | 王玉梅 郑义 | 2023 | 电气工程学报2023，18，2： | 1 |
| 19 | 基于改进VMD和注意力机制的混沌时间序列预测显示文摘采用神经网络预测混沌时间序列时,已有研究忽略了混沌时间序列的物理信息混叠现象,难以满足预测时混沌时间序列特征提取的需求,而变分模态分解的结果受参数影响较大,合适的参数能够大大提升变分模态分解的效果,故提出一种模拟退火算法优化的自适应变分模态分解算法,解决参数选择问题。长短期记忆神经网络适用于时序信息的处理,但易忽略输入之间的关联信息,而自注意力机制可加强数据内部关联,有利于重要特征的提取,因此将自注意力机制融入长短期记忆网络。通过引入这两种方法形成融合神经网络模型,采用真实混沌时间序列验证了所提出方法的有效性。对比实验结果表明:所提出的融合神经网络模型可有效提取混沌时间序列中隐含的动力学特征,显著改进神经网络的注意力配比,有效解决预测中出现的超前现象,从而大幅提高了混沌时间序列预测的精确性和稳定性。 | 李杰 闫柯朴 孟凡熙 朱玮 | 2023 | 兰州交通大学学报2023，42，2： | 1 |
| 20 | 基于关系网络的轴承剩余使用寿命预测方法显示文摘针对轴承全寿命周期数据获取困难、训练样本少的问题,提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life,RUL)预测方法.关系网络是一种基于度量的元学习方法,在少量训练样本下,具有快速学习新任务的优点.设计了一种基于关系网络的轴承健康评估模型,利用关系网络的嵌入模块提取轴承状态特征,利用关系模块度量轴承状态特征之间的相似性,基于相似性构建轴承健康指标(Health indicator,HI);对健康指标进行Savitzky-Golay滤波平滑处理,降低振荡对预测结果的影响;最后利用线性函数对健康指标进行拟合,得到轴承RUL预测值.为验证所提方法的有效性,在PHM2012轴承实测数据集上进行实验.结果表明,所得健康指标能够反映轴承的退化趋势,所得RUL预测结果与空间卷积长短期记忆神经网络(Convolutional long short-term memory neural network,ConvLSTM)、Transformer、循环神经网络(Recurrent neural network,RNN)、卷积神经网络(Convolutional neural network,CNN)+长短期记忆网络(long short-term memory network,LSTM)、编码器−解码器(Encoder-decoder)+注意力机制(Attention mechanism)方法相比,误差百分比分别减少了1.67%,3.40%,9.02%,13.71%,30.48%.该方法在少量训练样本的基础上可以取得较好的预测结果,具有一定的应用价值. | 赵志宏 张然 孙诗胜 | 2023 | 自动化学报2023，49，7： | 1 |
您所在的机构暂未开通此部分的功能，请联系管理员