强噪声干扰下基于SVMD-FFCNN的深沟球轴承故障分类模型

1

作者 李友家 张忠伟 +2 位作者 焦宗豪 李新宇 秦贺 《机电工程》 北大核心 2025年第4期686-696,共11页

针对滚动轴承振动信号易受到外界噪声的干扰,导致故障特征信号微弱甚至被淹没,难以提取有效的故障特征的问题,提出了一种基于逐次变分模态分解与特征融合卷积神经网络(SVMD-FFCNN)的故障诊断方法。首先,利用SVMD对原始振动信号进行了模... 针对滚动轴承振动信号易受到外界噪声的干扰,导致故障特征信号微弱甚至被淹没,难以提取有效的故障特征的问题,提出了一种基于逐次变分模态分解与特征融合卷积神经网络(SVMD-FFCNN)的故障诊断方法。首先,利用SVMD对原始振动信号进行了模态分解,得到了固有模态函数(IMF)分量,并计算了皮尔森相关系数,筛选出相关程度大的分量,对信号进行了重构,完成了信号的降噪工作,并以降噪后的信号作为输入数据;然后,搭建了特征融合卷积神经网络模型(FFCNN),对卷积神经网络(CNN)提取到的浅层特征以及利用不同映射方法获取的深层特征成分进行了融合,提取了更具代表性的故障特征;最后,以SoftMax作为分类器,进行了深沟球轴承故障的分类任务,采用SKF6203深沟球轴承,并利用搭建的轴承故障模拟实验台采集了深沟球轴承振动数据,对SVMD-FFCNN方法进行了实验验证,并将其与其他方法进行了对比分析。研究结果表明:SVMD方法能够有效降低噪声的干扰,相较于未经过SVMD降噪处理的信号,实测实验信号信噪比提升了116.22%,均方根误差减低了56.10%;SVMD-FFCNN方法在噪声环境下的平均准确精度达到了99.37%,且三个转速工况下的诊断精度均达到了99%以上。上述结果表明,该方法在噪声环境下具有更优越的故障诊断性能。 展开更多

关键词 滚动轴承 强噪声干扰 智能故障诊断 逐次变分模态分解 特征融合卷积神经网络 SoftMax分类器

在线阅读 下载PDF 职称材料

基于SVMD-BO-BiTCN的超短期光伏发电功率预测

2

作者 何瑨麟 郝建新 +1 位作者 苏成飞 屠壮壮 《分布式能源》 2024年第5期22-31,共10页

光照的间歇性使光伏发电功率波动性较大,导致光伏发电功率的预测准确率较低。为此,提出一种基于连续变分模态分解(successive variational mode decomposition,SVMD)、贝叶斯优化(Bayesian optimization,BO)算法和双向时序卷积网络(bidi... 光照的间歇性使光伏发电功率波动性较大,导致光伏发电功率的预测准确率较低。为此,提出一种基于连续变分模态分解(successive variational mode decomposition,SVMD)、贝叶斯优化(Bayesian optimization,BO)算法和双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)的超短期光伏发电功率预测模型,以提高预测精度。首先,通过SVMD将原始光伏发电功率分解为多个功率分量和功率残差,以获得多个波动性小的序列;然后,使用改进的BiTCN代替单向时序卷积网络(temporal convolutional network,TCN),完成低耗时下SVMD分解结果的双向特征提取与预测;之后,使用BO算法高效寻找BiTCN超参数,从而提高BiTCN对各功率分量和功率残差的预测精度;最后,求和并重构预测结果,实现超短期光伏发电功率预测。实验证明,该模型与单一的TCN模型相比,均方根误差(root mean square error,RMSE)减小了35.18%,决定系数提升了4.82%。 展开更多

关键词 光伏发电 发电功率预测 深度学习模型 连续变分模态分解(svmd)

在线阅读 下载PDF 职称材料

基于SVMD与参数优化MCKD的轴承故障诊断

3

作者 钟先友 何流 赵潇 《机电工程》 CAS 北大核心 2024年第7期1179-1188,共10页

针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度... 针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。 展开更多

关键词 噪声干扰 连续变分模态分解 最大相关峭度反卷积 几何平均优化器 故障特征提取效果 轴承特征频率

在线阅读 下载PDF 职称材料

基于VMD-ATCN-BiLstm的面向车路云一体化系统的网络安全态势预测研究

4

作者 范振宇 《计算机应用文摘》 2025年第7期190-196,共7页

车路云一体化系统在快速发展的同时,产生了严重的网络安全问题。针对车路云一体化系统的网络安全态势预测,作为防范网络威胁的有效手段,越来越受到关注。这也对网络安全态势预测的精确性和稳定性提出了更高的要求。为满足提升预测精度... 车路云一体化系统在快速发展的同时,产生了严重的网络安全问题。针对车路云一体化系统的网络安全态势预测,作为防范网络威胁的有效手段,越来越受到关注。这也对网络安全态势预测的精确性和稳定性提出了更高的要求。为满足提升预测精度和稳定性的需求,提出了一种基于变分模态分解(VMD)、注意力机制优化的时序卷积网络(ATCN)和双向长短期记忆网络(BiLSTM)相结合的网络安全态势预测模型。具体而言,针对网络安全态势序列的非线性和不稳定特征,首先利用VMD将态势序列分解为多个子序列,然后通过ATCN-BiLSTM模型提取这些子序列的时间特征,并分别进行预测,最后融合各子序列的预测结果得到最终的预测结果。实验结果表明,该方法在预测稳定性和精度方面均有显著提升。 展开更多

关键词 车路云一体化系统 网络安全态势预测 变分模态分解 时序卷积网络 双向长短期记忆网络

在线阅读 下载PDF 职称材料

基于SVMD和自适应MOMEDA的齿轮箱故障诊断 被引量：1

5

作者 岳子毫 裴帮 +3 位作者 李志远 王征兵 黄晓丹 雷欢欢 《机床与液压》 北大核心 2023年第21期225-232,共8页

受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应... 受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波,最后进行包络谱分析,做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中,在包络频谱中可以清楚地分辨出小齿轮转频及其倍频,同时所提方法相对其他方法具有更好的表现效果。 展开更多

关键词 齿轮箱故障诊断 自适应MOMEDA 连续变分模态分解(svmd) 人工鱼群算法

在线阅读 下载PDF 职称材料

考虑多时间尺度信息的风力发电机滚动轴承故障预测 被引量：1

6

作者 赵洪山 林诗雨 +2 位作者 孙承妍 杨伟新 张扬帆 《中国电机工程学报》 EI CSCD 北大核心 2024年第22期8908-8919,I0018,共13页

风电机组滚动轴承故障会造成风电机组长时间停机,为准确预测风电机组滚动轴承故障,提出一种考虑多时间尺度信息的风力发电机滚动轴承故障预测方法。首先,采用连续变分模式分解(successive variational mode decomposition,SVMD)自适应... 风电机组滚动轴承故障会造成风电机组长时间停机,为准确预测风电机组滚动轴承故障,提出一种考虑多时间尺度信息的风力发电机滚动轴承故障预测方法。首先,采用连续变分模式分解(successive variational mode decomposition,SVMD)自适应提取轴承健康数据温度多维特征;其次,将分解的本征模态函数(intrinsic mode functions,IMFs)输入Informer模型提取多尺度时间信息训练,基于树状结构Parzen密度估计的非标准贝叶斯优化算法(tree structure Parzen density estimation,TPE)优化Informer模型超参数;然后,构建基于残差的故障指标,采用核密度估计(kernel density estimation,KDE)确定故障预警阈值;最后,将运行数据输入训练后的Informer模型进行故障预测。选取某风电场的风力发电机轴承温度数据进行故障预测,仿真结果表明,考虑多时间尺度信息的SVMD-TPE-Informer模型在发电机轴承温度预测上具有更高的预测精度和计算效率,所提方法在两个故障案例上分别能够提前15.5 h和10 h预测到故障,且不会出现误报现象,验证所提模型的有效性和稳定性。 展开更多

关键词 连续变分模式分解 贝叶斯优化 Informer模型 故障预测

在线阅读 下载PDF 职称材料

基于边缘线追踪的斜拉桥拉索振动频率识别 被引量：1

7

作者 薛浩 彭珍瑞 殷红 《振动与冲击》 EI CSCD 北大核心 2024年第19期153-162,共10页

针对传统频率法在斜拉桥拉索频率识别中存在传感器布置困难、检测效率低、实现成本高的问题,提出基于拉索边缘线追踪的方法,借助智能手机采集的拉索振动视频,开展了复杂工况下的斜拉桥拉索振动频率识别。首先,引入Otsu算法计算图像感兴... 针对传统频率法在斜拉桥拉索频率识别中存在传感器布置困难、检测效率低、实现成本高的问题,提出基于拉索边缘线追踪的方法,借助智能手机采集的拉索振动视频,开展了复杂工况下的斜拉桥拉索振动频率识别。首先,引入Otsu算法计算图像感兴趣区域(region of interest,ROI)阈值,利用阈值自适应的Canny-Hough算子进行拉索亚像素边缘检测,定位拉索边缘线的亚像素位置。其次,计算边缘线相对于ROI原点的距离得到拉索振动位移,将位移信号进行逐次变分模态分解(successive variational mode decomposition,SVMD)以减少相机振动和其他噪声的干扰。最后,将降噪后的位移信号进行傅里叶变换识别拉索振动频率。对斜拉桥模型和户外人行桥斜拉索进行试验测试,结果表明即使在复杂工况下,所提方法仍可有效识别拉索的振动频率。 展开更多

关键词 斜拉桥 边缘线追踪 边缘检测 拉索振动 逐次变分模态分解(svmd)

在线阅读 下载PDF 职称材料

基于多算法融合的锂离子电池故障诊断方法

8

作者 张浚坤 雷二涛 +3 位作者 罗崴 金莉 马凯 李盈 《广东电力》 北大核心 2024年第7期50-57,共8页

锂离子电池的安全和热失控问题,限制了其在各领域的广泛应用。为了更准确地检测电池异常情况中的内短路与开路故障,提出一种基于多算法融合的锂离子电池故障诊断方法。首先,采用逐次变分模态分解(sequential variational mode decomposi... 锂离子电池的安全和热失控问题,限制了其在各领域的广泛应用。为了更准确地检测电池异常情况中的内短路与开路故障,提出一种基于多算法融合的锂离子电池故障诊断方法。首先,采用逐次变分模态分解(sequential variational mode decomposition,SVMD)计算每个电池单体的最大电压波动,并通过箱线图和离群点检测来识别异常单体。其次,根据SVMD得到的电压均值差的绝对值,结合斜率计算和统计分析,检测潜在的内短路或开路故障。最后,利用实际锂离子电池的热失控数据对所提方法进行验证。结果表明,该方法可以在热失控发生前55 min进行预警,并能精确识别内短路或开路故障单体,具有较高的可靠性和工程应用价值。 展开更多

关键词 锂离子电池 内短路故障 逐次变分模态分解 离群点检测 安全预警

在线阅读 下载PDF 职称材料

山岭隧道洞口段地表沉降时序预测研究 被引量：18

9

作者 王述红 朱宝强 《岩土工程学报》 EI CAS CSCD 北大核心 2021年第5期813-821,I0003,共10页

地表沉降监测值具有复杂性及非线性动态变化特征,以往静态模型预测时常存在易受历史监测数据干扰且模型输入权值及阈值选择较为困难的问题,鉴于此,提出一种洞口段地表沉降动态预测方法。利用3次样条函数插值法将监测数据等距化,并结合... 地表沉降监测值具有复杂性及非线性动态变化特征,以往静态模型预测时常存在易受历史监测数据干扰且模型输入权值及阈值选择较为困难的问题,鉴于此,提出一种洞口段地表沉降动态预测方法。利用3次样条函数插值法将监测数据等距化,并结合时序分析理论和变分模态分解(VMD),将地表沉降分解为趋势项和随机项位移;通过采用灰狼优化算法(GWO)对在线贯序极限学习机模型(OSELM)的权值及阈值进行优化,建立了GWO-OSELM动态预测模型,分别对位移分量进行预测;以重庆市兴隆隧道洞口段为例,利用该模型进行预测,并与传统模型进行对比,最后探讨了激励函数的选择对模型预测性能的影响及随机项位移的部分影响因素。结果表明:非等距时序数据预处理后,模型能够有效地对位移分量进行预测,预测精度高、误差小,且Sigmoid激励函数更适合该模型,而地表沉降速率和拱顶下沉速率对随机项位移有重要影响。可为山岭隧道洞口段地表沉降的长期预测提供一种新的思路和方法。 展开更多

关键词 山岭隧道 地表沉降 非等距时间序列 变分模态分解 灰狼优化 在线贯序极限学习机

在线阅读 下载PDF 职称材料

基于tFLO-SVMD-LSSVM及精细复合多尺度模糊散布熵的隔离开关故障诊断方法

10

作者 葛轩豪 马宏忠 +3 位作者 张驰 董媛 徐睿涵 胡国栋 《电机与控制应用》 2025年第4期376-388,共13页

【目的】目前,隔离开关已被广泛应用于电网中,然而对其故障诊断的研究相比于变压器、断路器等设备却较少。通过隔离开关运行时的振动信号来准确识别其故障类型对于电网的正常运行和工作人员的人身安全具有重要意义。【方法】本文采用了... 【目的】目前,隔离开关已被广泛应用于电网中,然而对其故障诊断的研究相比于变压器、断路器等设备却较少。通过隔离开关运行时的振动信号来准确识别其故障类型对于电网的正常运行和工作人员的人身安全具有重要意义。【方法】本文采用了自适应t分布扰动策略来改进伞蜥优化(FLO)算法,得到改进后的融合自适应t分布扰动的伞蜥优化(tFLO)算法,进而对连续变分模态分解(SVMD)和最小二乘支持向量机(LSSVM)的参数寻优,以实现对隔离开关故障的识别。首先,引入自适应t分布扰动策略改进FLO算法;然后,利用tFLO-SVMD对试验数据进行分解得到最佳的模态分量;计算模态分量的精细复合多尺度模糊散布熵(RCMFDE)得到高维特征矩阵;最后,使用tFLO-LSSVM算法将核主成分分析法(KPCA)对高维矩阵降维后的多组低维特征值矩阵进行故障的分类。【结果】本文针对某220 kV高压隔离开关提出的基于tFLO-SVMD-LSSVM-RCMFDE的故障诊断方法的试验准确率达97.92%,能有效识别隔离开关故障类型。【结论】在传统VMD方法分解的本征模态函数(IMF)分量中存在计算速度慢、模态中心鲁棒性差及需要额外优化模态个数k等问题,SVMD算法能够很好地解决这些问题且分解地更细致。同时,熵值计算能有效量化时间序列的复杂性和不确定性,模糊散布熵(FDE)具有计算时间短,抗干扰强的优点。而RCMFDE相比于FDE稳定性更好,对特征地反映更加全面。tFLO-SVMD与RCMFDE结合能够有效地区分隔离开关不同类型故障的振动信号。综上,本文证明基于tFLO-SVMD-LSSVM-RCMFDE分类方法能有效识别隔离开关故障,具有较高的识别精度。 展开更多

关键词 隔离开关 连续变分模态分解 伞蜥优化算法 自适应t分布扰动策略 模糊散布熵 核主成分分析 最小二乘支持向量机 故障诊断

在线阅读 下载PDF 职称材料

基于VMD-KPCA-OSELM算法的滚动轴承故障诊断 被引量：5

11

作者 吴东升 贾琼 +2 位作者 杨青 李烨 付丽君 《控制工程》 CSCD 北大核心 2017年第S1期113-117,共5页

为了提高滚动轴承故障诊断的准确性,提出了变分模态分解(VMD)与在线贯序极限学习机(OSELM)相结合的VMD-KPCA-OSELM方法对轴承故障进行诊断。首先利用VMD对所提取轴承信号进行去噪;其次,应用KPCA对去噪后的数据进行故障特征提取和降维压... 为了提高滚动轴承故障诊断的准确性,提出了变分模态分解(VMD)与在线贯序极限学习机(OSELM)相结合的VMD-KPCA-OSELM方法对轴承故障进行诊断。首先利用VMD对所提取轴承信号进行去噪;其次,应用KPCA对去噪后的数据进行故障特征提取和降维压缩;最后,运用OSELM方法对轴承故障进行分类。实验结果表明,所提的集合型方法能通过计算每个模态的中心频率将带宽的求解转化为约束问题的寻优,有效地区分出不同的模态,对故障信号进行滤波并提取故障特征,且在诊断快速性方面优于传统单梯度下降学习方法。所提的集合型VMD-KPCA-OSELM方法比常规的单一型方法更适用于滚动轴承的故障诊断。 展开更多

关键词 故障诊断 变分模态分解 在线惯序极限学习机 电机轴承

在线阅读 下载PDF 职称材料