变分模态分解

摘要： 以全钒液流电池和超级电容器组成的混合储能系统(hybrid energy storage system,HESS)可有效平抑风电功率波动。为了提高储能系统的灵活性和安全性,提出一种基于参数优化变分模态分解(variational mode decomposition,VMD)的混合储能功率分配方法。首先利用指数平滑法依据我国并网标准对风电功率进行滤波,得到符合要求的风电并网功率,并计算出储能系统所需要的平滑风电波动功率;然后基于三种信号分解评价指标构造适应度函数,采用麻雀搜索算法(sparrow search algorithm,SSA)对VMD算法中模态个数K与二次惩罚因子α进行优化,得到优化后的K值与α值后采用VMD算法分解风电波动功率并完成在全钒液流电池和超级电容器间的基本分配;最后采用模糊控制器优化储能设备的荷电状态,实现HESS功率的二次分配。算例结果表明,所提方法不仅能够对风电波动功率信号自适应分解,有效抑制风电功率波动,减少模态混叠,完成HESS功率的合理分配,还可以优化储能设备的充放电范围,避免储能设备的过度充电和过度放电状况的发生,保证储能设备的荷电状态维持在固定区间,实现HESS安全稳定运行。

摘要： 针对传统变分模态分解(VMD)对电动汽车Z源逆变器早期故障诊断中的分解效果受分解个数K和二次惩罚因子α的影响而导致诊断效果差的问题,提出了天牛须搜索算法(BAS)优化VMD参数的Z源逆变器早期故障诊断方法.对Z源逆变器三相桥臂中点间的线电压信号,采用天牛须搜索算法优化VMD的参数K和α,利用小波分解提取出VMD各模态分量的小波能量作为Z源逆变器的早期故障特征;然后使用支持向量机识别多种不同软故障;最后对Z源逆变器储能电容早期故障进行诊断实验.实验结果表明:相对于小波变换、经验模态分解等方法,参数优化后的VMD算法诊断精度高、故障识别能力强,从而验证了该方法的有效性.

摘要： 针对传统变分模态分解(VMD)对电动汽车Z源逆变器早期故障诊断中的分解效果受分解个数K和二次惩罚因子α的影响而导致诊断效果差的问题,提出了天牛须搜索算法(BAS)优化VMD参数的Z源逆变器早期故障诊断方法.对Z源逆变器三相桥臂中点间的线电压信号,采用天牛须搜索算法优化VMD的参数K和α,利用小波分解提取出VMD各模态分量的小波能量作为Z源逆变器的早期故障特征;然后使用支持向量机识别多种不同软故障;最后对Z源逆变器储能电容早期故障进行诊断实验.实验结果表明:相对于小波变换、经验模态分解等方法,参数优化后的VMD算法诊断精度高、故障识别能力强,从而验证了该方法的有效性.

摘要： 传统的股票指数预测方法是在含噪声、非平稳以及非线性的原始股指序列数据上实施的,这将导致预测精度的下降.为了解决这个问题,提出了一种基于时频融合卷积神经网络的股指预测方法.首先通过引入变分模态分解(VMD)将原始序列数据分解到频域特征上,使得分解后的股指数据具有低信噪比,同时具有更明显的趋势性和平稳性.进一步结合时序卷积神经网络(TCN),构建了时频融合的卷积神经网络模型.最后在6个实际数据集上与8个基准方法进行比较,实验结果表明该方法具有更高的预测精度和更好的解释性.

摘要： 生命探测雷达在航空航天领域有着重要的应用,通过探测飞行员的呼吸、心跳、肢体动作等微弱信号,实现对飞行员的生命监测。针对实际场景中生命体微弱信号检测困难的问题,提出一种将包络熵作为粒子群算法适应度函数的变分模态分解(variational mode decomposition,VMD)参数优化算法。首先,利用粒子群算法对适应度函数进行选择,确定VMD算法中固有模态分量的分解层数以及惩罚因子个数的组合;其次,通过频谱分析选择特定层数的固有模态分量并重构雷达回波信号;最终达到去除噪声,提取生命体弱信号的目的。对比实验表明,所提出的方法相比经验模态分解算法能够更加准确地提取生命体信息,仿真结果验证了算法的有效性。

摘要： 近年来,随着中国金融市场改革的不断深化,金融子市场间相依性逐渐增强,这使得单一金融子市场的风险更容易传染至另一子市场,诱发系统性金融风险。股票市场和外汇市场是中国金融市场的重要组成部分,研究二者之间的金融风险传染具有重要意义。首先,利用变分模态分解法(VMD)将中国股票市场与外汇市场间风险传染分解为长期风险传染和短期风险传染,并应用DCC-MIDAS模型验证该分解方法的稳健性;其次,以广义自回归得分模型(GAS)驱动的时变Copula模型研究长期风险传染和短期风险传染的机制,并以ΔCoVaR模型对影响加以测度;最后,深入分析宏观经济和金融市场中对中国股市与汇市间长期风险传染水平造成显著影响的诸多因素,并根据以上研究结果提出相关对策建议。

摘要： 针对经验模态分解去噪时存在的模态混叠问题,提出一种变分模态分解与滑动均值滤波相结合的去噪算法。首先通过寻找变分模型最优解将含噪信号分解成若干个固有模态。然后利用相关系数准则确定最优分解层数K以及其对应的相关模态,并用滑动均值滤波器对非相关模态进行处理以得到其中的有用分量。最后基于相关模态和非相关模态中提取的有用分量构造去噪后的信号。仿真表明,与经验模态分解去噪和小波去噪相比,所提出的算法能够在更有效去除暂态扰动中噪声的同时,保留暂态扰动中的特征信息。

摘要： 针对现有脉率变异性(Pulse Rate Variability,PRV)信号提取方法存在抗噪性差、参数选择主观等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的脉率变异性信号提取方法。首先,对原始脉搏信号进行变分模态分解,从中提取可以反映脉搏主波变化的分量,对该分量进行平滑滤波;然后,计算滤波后分量的极大值位置,以相邻极大值位置为依据,计算原始脉搏信号对应区间的最小值,得到脉搏信号波谷;最后,根据波谷计算脉率变异性信号。采用31组实测脉搏信号对所提出的算法进行验证,结果表明脉率变异性信号提取的准确率在97%以上,因此所提算法可用于日常生活工作状态下脉率变异性信号的精准提取。

摘要： 针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法。该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别。在公开数据集和自建数据集上的实验结果均表明,所提方法可显著提高辐射源个体识别的性能,且在小样本条件下的优势更加显著。

摘要： 流激振动是衡量水泵水轮机运行稳定性的重要参数。本文基于国内某水泵水轮机发电工况停机暂态过程中的实测顶盖振动信号,分别使用经验模态分解、变分模态分解和希尔伯特变换等方法对其进行时频分析,并获得如下结论。首先,相比经验模态分解,从基于变分模态分解的希尔伯特时频谱图中能够更为直观地观察到顶盖振动信号的时频信息。其次,时频分析结果表明,顶盖振动主要是由于旋转叶轮与静止的活动导叶之间的动静干涉作用而引起的流体异常压力脉动在过流部件中传播所导致的。最后,随着机组停机过程中流量逐渐减小,由流体激发的异常压力脉动逐渐减弱,动静干涉强度逐渐降低,顶盖振动也逐渐减弱。

摘要： 针对球轴承滚动体早期故障,提出一种改进的变分模态分解(VMD)的特征提取与诊断方法.首先,利用互相关方法,对变分模态分解算法的分量个数进行选择,确定变分模态分解的阶次;然后利用变分模态法对轴承信号进行处理,根据提出的峭度准则筛选出最佳分量;最后对该分量进行包络解调,提取滚动体故障的特征频率,实现轴承早期滚动体故障的诊断.利用改进的变分模态算法对轴承滚动体故障的实验信号进行分析,可成功提取出故障的特征频率.通过与传统的经验模态分解(EMD)结果对比,该方法表现出一定的优势,可以实现滚动体早期故障的诊断.

摘要： 针对机械振动信号强噪声、非线性的特点,将信号分解方法与信息的定量描述方法相结合,提出一种新的特征提取方法.变分模态分解(Variational Mode Decomposition,VMD)作为一种较新的信号分解方法克服了传统自适应分解方法中的模态混叠、端点效应等缺点,具有抗噪鲁棒性强、计算效率高等优点.信息熵是对信号所含信息量的定量描述,可作为区分不同类型信号的依据.该方法首先利用信号频谱图明确信号中主要频率的个数并以此作为VMD分解层数的选取依据,选择与原信号相关程度最大的VMD分解后的子信号,最后将选取的子信号进行信息熵特征提取,以获取反映该信号特点的敏感判别信息,便于设备运行状态的识别分类.该方法具有计算速度快,不存在模态混叠等优点.应用于滚动轴承故障诊断试验,结果表明:该方法能够清晰地反映出故障设备信号的特征.

摘要： 由于滚动轴承在较早时段会表现出弱故障信号、低信噪的特点,所以很难准确判断出故障.本文主要通过对相同的滚动轴承的故障信号分别用变分模态分解(VMD)、小波包变换、EMD分解、CEEMD(完整式集合经验模式分解)、以及以小波去噪分析为基础的经验模态分解(EMD)等不同方法,进行比较滚动轴承故障诊断的研究分析.研究结果表明:VMD方法可以简单的看出故障频率所在的范围,但是不易辨别出故障类型;小波包变换:根据不同层次对频带进行区划,进而增加对时频的辨识度,但不能较好去除噪声影响;经验模态分解会存在模态混叠现象;在去噪效果上更明显于经验模态分解方法是结合了小波降噪的特点与经验模态分解方法的双重降噪方法,其效果近似于总体经验模态分解方法;而CEEMD避免了出现模态混叠的现象,对于故障特征信号的提取,可以比较轻易诊断滚动轴承的内圈的微弱故障,并且对于故障类型的判断更加准确;通过多种诊断方法比较发现,单一的故障诊断方法并不适用于早期微弱信号的故障诊断研究.

摘要： 由于滚动轴承早期故障信号非常微弱特征不明显,再加之较易受到环境噪声影响,使得故障特征的早期识别变得困难.本文提出一种将自相关降噪方法与变分模态分解(Variational Mode Decomposition,VMD)排列熵相结合的滚动轴承故障诊断方法.首先对采集到的滚动轴承信号进行自相关分析,排除噪声信号的干扰;其次利用VMD方法对降噪后的信号进行分解,得到一系列的BIMF分量;然后计算得到的各BIMF分量的排列熵,将排列熵数据构造高维特征向量并作为支持向量机的输入,最后输出轴承的故障类型.实验结果表明,该方法可以有效的排除噪声干扰并且抑制模态混叠现象发生,而且故障识别精度好于直接用EMD分解求排列熵方法的对比组,继而验证了该方法的有效性.

摘要： 针对早期微弱故障信号容易被强背景噪声湮没,振动信号的不同特征参数对初始故障敏感度有差异,及单一特征参数无法准确估计初始故障的问题,提出了一种基于VMD-SVD的马田系统滚动轴承初始故障诊断方法.首先利用变分模态分解(VMD)对振动信号进行分解,并通过奇异值分解(SVD)提取本征模态函数的特征值,同时加入对初始故障敏感的时域特征参数构建马田系统(MTS),计算马氏距离初步估计故障发生样本,然后采用回溯追踪法和包络分析进一步确定初始故障发生时间点.最终,通过滚动轴承加速寿命实验数据,验证了该方法的有效性和准确性.

摘要： 当滚动轴承的滚道出现疲劳剥落时,滚动体进入和退出缺陷区域时会产生双脉冲现象.通过对双脉冲信号的提取,提出了一种基于双脉冲特征的滚动轴承缺陷尺寸估计的方法.首先运用AR滤波器对原始故障信号进行预白化处理,然后对降噪后的信号进行变分模态分解(VMD),并根据峭度和互信息最大原则选择有效分量进行信号重构,采用包络方法分析该重构信号,得到包含有双脉冲特征的有效信号,根据此特征确定滚动体进入和退出缺陷时所对应的时间,并估计轴承的缺陷尺寸.通过试验验证该方法可以有效提取双脉冲特征,并识别故障缺陷尺寸的大小.

摘要： 地震资料中的不连续性特征在储层表征和解释上具有很重要的作用,如何更好地保边去噪是当前研究的热点.在不断研究中发现,噪声在不同频带上的分布强度不同,传统噪声压制方法在全频带上处理会对地震数据造成影响.因此,本文提出了一种基于变分模态分解(VMD)的自适应滤波方法.该方法通过VMD将数据分解到不同固有模态函数(IMF)剖面,再针对不同IMF进行自适应阈值判断处理.模型和实际资料处理结果显示该方法不仅能提高地震资料信噪比而且保护并恢复了地层不连续性信息.

摘要： 提出了一种基于变分模态分解(VMD)消噪和核模糊C均值(KFCM)聚类相结合的滚动轴承早期故障识别方法.首先提出了一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法,弥补了VMD方法通常按经验选取预设尺度数方法的不足;然后对振动信号进行VMD分解得到K个限带的内禀模态函数(BIMF)分量,利用归一化的自相关系数函数能量集中比大于0.9的原则确定含有噪声的BIMF分量,并剔除这些含噪BIMF分量,再将剩余的BIMF分量叠加进行信号重构,实现了信号的消噪;最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集,并输入到KFCM聚类器进行故障诊断.利用实测轴承故障数据进行验证,结果表明与经验模态分解(EMD)方法相比,本文所提方法可以有效地实现滚动轴承早期故障诊断.

摘要： 同步提取变换(SET)作为一种新的时频分析方法,具有高的时频分辨率.本质上,SET可看作是基于短时傅里叶变换的后续处理步骤,它通过仅保留时频平面上与原信号时变特征最接近的频率信息,使得时频聚焦性大大提高.本文将SET应用于地震信号处理以达到烃类检测的目的,并基于对SET算法、地震信号特征的研究,提出了一种新的时频分析方法,即VMD-SET.实验证明,与SET相比,VMD-SET不仅能准确揭示地震信号的时频特征且具有更高的时频聚焦性.此外,实际资料处理结果表明,VMD-SET能成功应用于致密砂岩中的烃类检测.

摘要： 同步提取变换(SET)作为一种新的时频分析方法,具有高的时频分辨率.本质上,SET可看作是基于短时傅里叶变换的后续处理步骤,它通过仅保留时频平面上与原信号时变特征最接近的频率信息,使得时频聚焦性大大提高.本文将SET应用于地震信号处理以达到烃类检测的目的,并基于对SET算法、地震信号特征的研究,提出了一种新的时频分析方法,即VMD-SET.实验证明,与SET相比,VMD-SET不仅能准确揭示地震信号的时频特征且具有更高的时频聚焦性.此外,实际资料处理结果表明,VMD-SET能成功应用于致密砂岩中的烃类检测.

摘要： 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法，该方法包括以下步骤：获取目标齿轮箱的复合故障振动信号；利用经验模态分解方法对齿轮箱的振动信号进行自适应分解；针对经验模态分解时可能出现的虚假模态分量问题，利用能量法消除虚假模态；计算得到与原始信号相关性较大的模态分量并构成组合模态分量；提出采用包络熵与波形法相结合来对变分模态分解的模态个数k与惩罚因子α进行改进，并对组合模态分量进行分解；最后对变分模态分解得到的有限带宽模态分量进行包络解调分析，提取齿轮的故障特征。将本发明应用于实际齿轮箱中齿轮点蚀‑磨损复合故障振动信号的分析，成功分离并提取了故障特征，取得了良好的效果。

摘要： 本发明公开了一种基于计算机视觉及变分模态分解的结构模态识别方法，包括：采集结构物的振动视频，并选取振动视频中满足预设像素级的像素点，作为特征点；利用Farneback稠密光流算法计算所选取的各特征点的速度；利用尺度变换的方式计算各特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号；利用变分模态分解方法对加速度信号进行降噪处理；利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性。本发明采用非接触式方式利用改进的光流算法对结构物的振动视频进行计算和多模态提取，以实现结构动力特性的实时、高效、低成本检测。

摘要： 本发明公开了一种自适应单模态变分模态分解的轴承故障诊断方法，包括：步骤1：载入测试信号；步骤2：输入粒子群各参数，设置单模态变分模态分解中初始中心频率和惩罚因子的寻优范围，输入感兴趣的故障周期；步骤3：粒子种群位置初始化；步骤4：求解初始中心频率和惩罚因子的最优参数组合；步骤5：将步骤4中最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中，进而提取故障模态；步骤6：对故障模态进行包络谱分析，与理论故障特征频率比对，判断轴承是否发生故障。本发明用于轴承故障信号的准确提取，以提升算法自适应性，适用于轴承故障诊断技术领域。

摘要： 本发明公开一种基于变分模态分解和预测性能的单模态子信号选择方法。首先，依据经验确定多个进行变分模态分解(VMD)所必需设定的分解层数的取值；接着，采用VMD将原始机械信号分解为具有不同带宽和时间尺度的时域单模态子信号，进一步变换至频域获得候选单模态子信号频谱集合；最后，基于这些候选单模态子信号频谱集合构建候选磨机负荷参数预测子模型，并进一步构建选择性集成模型获得约简单模态子信号频谱集合，再依据实际需求和模型预测性能选择得到具有较强互补特性的单模态子信号集合。

摘要： 本发明涉及一种确定变分模态分解中分解模态数的方法、装置及设备。所述方法包括：获取待处理的信号；通过变分模态分解方法，选择依次递增的分解模态数k分别对所述待处理的信号进行若干次分解处理，分别确定所述待处理的信号每次分解处理对应的稀疏指标；其中，分解模态数k为大于1的自然数；当所述若干次分解处理中分解模态数为k+1时分解处理所对应的稀疏指标较分解模态数为k时分解处理所对应的稀疏指标下降，则判定k为最佳分解模态数；根据所述最佳分解模态数对所述待处理的信号进行信号处理。通过本发明提出的方法，可以得到有效的信号分解结果。

摘要： 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法，该方法包括以下步骤：获取目标齿轮箱的复合故障振动信号；利用经验模态分解方法对齿轮箱的振动信号进行自适应分解；针对经验模态分解时可能出现的虚假模态分量问题，利用能量法消除虚假模态；计算得到与原始信号相关性较大的模态分量并构成组合模态分量；提出采用包络熵与波形法相结合来对变分模态分解的模态个数k与惩罚因子α进行改进，并对组合模态分量进行分解；最后对变分模态分解得到的有限带宽模态分量进行包络解调分析，提取齿轮的故障特征。将本发明应用于实际齿轮箱中齿轮点蚀‑磨损复合故障振动信号的分析，成功分离并提取了故障特征，取得了良好的效果。

摘要： 本发明公开了一种基于短时变分模态分解的电信号分解方法，包括：步骤1、获取初始的电信号，利用预构建的窗函数对所述电信号进行滑窗运算，获得所述电信号对应的信号段；步骤2、设定重构模态数，采用变分问题来描述各模态下滑窗信号段的模态约束条件，获得约束优化函数；步骤3、采用增广拉格朗日函数对约束优化函数进行等效变换，求解获得无约束优化函数；步骤4、对无约束优化函进行重构，获得各模态电信号对应的瞬时频率‑时间函数。本发明提供了一种脑电信号分解装置。本发明提供的方法无需预先定义基函数，完全由原始信号数据驱动分解，可消除模态混叠和边缘效应问题，从而获得各节律对应的完整电信号。

摘要： 本发明公开了一种自适应单模态变分模态分解的轴承故障诊断方法，包括：步骤1：载入测试信号；步骤2：输入粒子群各参数，设置单模态变分模态分解中初始中心频率和惩罚因子的寻优范围，输入感兴趣的故障周期；步骤3：粒子种群位置初始化；步骤4：求解初始中心频率和惩罚因子的最优参数组合；步骤5：将步骤4中最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中，进而提取故障模态；步骤6：对故障模态进行包络谱分析，与理论故障特征频率比对，判断轴承是否发生故障。本发明用于轴承故障信号的准确提取，以提升算法自适应性，适用于轴承故障诊断技术领域。

摘要： 本发明公开了一种基于计算机视觉及变分模态分解的结构模态识别方法，包括：采集结构物的振动视频，并选取振动视频中满足预设像素级的像素点，作为特征点；利用Farneback稠密光流算法计算所选取的各特征点的速度；利用尺度变换的方式计算各特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号；利用变分模态分解方法对加速度信号进行降噪处理；利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性。本发明采用非接触式方式利用改进的光流算法对结构物的振动视频进行计算和多模态提取，以实现结构动力特性的实时、高效、低成本检测。

摘要： 本发明公开一种基于变分模态分解和预测性能的单模态子信号选择方法。首先，依据经验确定多个进行变分模态分解(VMD)所必需设定的分解层数的取值；接着，采用VMD将原始机械信号分解为具有不同带宽和时间尺度的时域单模态子信号，进一步变换至频域获得候选单模态子信号频谱集合；最后，基于这些候选单模态子信号频谱集合构建候选磨机负荷参数预测子模型，并进一步构建选择性集成模型获得约简单模态子信号频谱集合，再依据实际需求和模型预测性能选择得到具有较强互补特性的单模态子信号集合。