摘要：滚动轴承故障检测信号具有非线性、不平稳的特点,且特征量难以提取,因此提出变分模态分解(vmd)信号的可视化与深度学习神经网络相结合的方法以诊断轴承故障。首先对轴承原始振动信号进行vmd分解,滤除信号噪声;其次采用希尔伯特黄变换消除vmd存在的“欠包络”问题;接着对一维时间序列信号进行可视化变换,提取信号的格莱姆角视场(GAF)二维特征图,以充分反映不同故障的特征。最后采用卷积神经网络(CNN)对可视化图形进行诊断,CNN网络包括两个卷积层和两个池化层,卷积层的内核均为(5×5),池化层内核均为(2×2),卷积层深度分别为20和32。对采集的10类轴承振动信号进行诊断,训练集样本数量为3791,训练精度为96.5%,测试集样本数量为209,测试精度为95.2%,证明了本方法的有效性。

摘要：针对水轮发电机组受水、机、电等因素相互耦合,早期故障特征被电磁和噪声所淹没难以提取的问题,设计了一种基于改进vmd和GRU的水轮发电机组振动故障预警方法。首先,采用BES算法对变分模态vmd的参数进行寻优,得到最佳的分解层数、惩罚因子和模态个数,然后采用最优的vmd算法对水轮发电机组早期的振动特征进行提取,最后将早期的振动特征输入GRU神经网络预测算法进行训练、验证和测试。仿真结果和工程实例表明,该方法可以有效快速准确提取水轮发电机组的早期微弱振动特征,实现水轮发电机组的早期故障预警,具有较高的工程应用价值。

摘要：针对涡轴发动机转子振动特性,提出遗传算法优化的vmd方法。以vmd分量信息熵最小化为适应度函数,运用遗传算法优化vmd分量数量和惩罚因子,并采用仿真案例验证了方法的有效性。基于某涡轴发动机转子振动倍频幅值包络线、试车转速曲线,仿真进气机匣、涡轮机匣的振动信号,并采用优化的vmd对振动信号进行分解,对分解后的信号进行整周期重采样后再进行频谱分析。结合瀑布图对比分析原信号和vmd分解信号,同时以试车第100s时刻的频谱图进行分析。分析结果表明:遗传算法优化的vmd能够有效地对转子振动信号进行分析,且能够识别出各转子的主要倍频成分。

摘要：针对光纤温度信号非平稳、非线性的特点,以及在海床表面温度和海床深处温度近似相等即温度平衡时间段内,利用光纤温差识别海缆浅埋位置存在一定的局限性问题,提出一种基于优化vmd混合域特征和LSTM的海缆浅埋状态识别方法,用于识别海缆深埋和浅埋两种状态。首先,采用参数优化的vmd对光纤温度信号进行分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,提取原始温度信号的时域和频域特征,结合所选IMF的时域和频域特征以及能量和熵特征构建混合域特征集,并利用CDET进行敏感特征选择;最后,设计LSTM结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现海缆浅埋状态识别。通过现场采集的海缆光纤温度数据进行验证,测试准确率达到100%,结果表明,该方法能够准确识别海缆浅埋状态。

摘要：径流非平稳性及超参数率定容易陷入“维数灾”的问题限制了神经网络(Long Short-Term Memory,LSTM)在中长期径流预报中的应用,针对上述问题,采取“分解-预测-重构”的思路,在数据预处理阶段采用变分模态分解(Variational Mode Decomposition,vmd)进行分解重构,耦合PSO(Particle Swarm Optimization)、SSA(Sparrow Search Algorithm)优化算法长短期记忆神经网络(LSTM),构建vmd-PSO-LSTM、vmd-SSA-LSTM、vmd-LSTM和LSTM四类模型进行对比试验研究,并探讨时滞步长对预报精度的影响。将模型应用于金沙江流域石鼓水文站月平均径流预报:(1)vmd-PSO-LSTM预报精度略高于vmd-SSA-LSTM,其次是vmd-LSTM,最后是LSTM。vmd-PSO-LSTM预报成果的MAE、MAPE、NSE、QR、RMSE分别为160.4、0.135、0.949、0.811、252.8;vmd-PSO-LSTM预报成果评价指标MAE、MAPE和RMSE分别比LSTM模型减小53.92%、50.67%、55.86%;NSE、QR分别比LSTM模型提升28.34%、84.48%;(2)在一定范围内,时滞步长越大,MAE、MAPE和RMSE增大,NSE、QR下降。【结论】对径流时间序列预处理,能够降低时间序列的非平稳性;加入优化算法能够在超参数空间中寻找到较优超参数组合,使得LSTM拟合能力较强,同时保持一定的泛化能力,从而提高预报精度。此外,时滞步长是影响预报精度的重要因素,加入优化算法能降低模型对时滞步长的敏感性。

摘要：电力数据具有非平稳性和随机性的特点,导致电力需求预测结果误差较大,为此,提出基于CPS和vmd的实时电力需求饱和自适应预测方法。基于CPS与VMP建立自适应变分模态分解模型,利用实时电力需求序列和各模态分解余量之间的信息散度差来判断相关性程度,实现模态分解,通过自适应模态分解得到电力需求序列的分解余量,依靠其建立自适应预测模型,并对模型进行训练,完成对实时电力需求饱和自适应预测。实验结果表明,设计方法预测结果的平均绝对误差低于5.0,平均绝对百分比误差低于2.45%。

摘要：首先采用vmd对非稳态的径流量进行变量分解,提取了径流量的多尺度特征信息;然后采用BiLSTM算法通过反向学习实现了对径流量时间效应的信息捕捉和传递,并采用Dropout技术解决了BiLSTM模型在训练过程中存在过拟合的问题,从而构建了考虑时间效应的径流量的预测模型。由工程案例可知,与其他常规模型相比,该模型的预测精度最高,可靠性较高,预测精度水平能够满足工程实际的应用。该模型为径流量的预测研究提供借鉴。

摘要：针对谷物清选筛运转时转子系统不平衡引起的振动问题,该研究以上筛为鱼鳞筛、下筛为编织筛的曲柄滑块式清选系统为研究对象,测试了其振动特性,并进行结构优化以减小系统的不平衡振动。首先,分析了系统的传动方式与工作原理;其次,使用DH5902动态信号采集仪对系统展开振动测试,采集了驱动机构转子系统轴承座处的振动信号,然后对其进行时、频域分析,计算均方根、功率谱密度来衡量振动强度和主要的频率成分,在此基础上,基于变分模态分解(variational mode decomposition,vmd)和模糊熵与峭度构建的综合指标对信号进行特征提取与分析,以综合指标最小的特征分量为原始信号的敏感分量,计算并分析其包络谱,提取系统的不平衡振动;最后,采用惩罚函数法,以配重块质量和安装位置为优化变量构建优化函数对驱动机构进行优化。结果表明,清选筛不平衡振动主要分布在30.13 Hz处,振动强度为0.24~0.29 dB,优化后的配重块质量为3650 g,距离轮盘中心的偏心距为136.7 mm,在30.13 Hz处振动强度为0.11~0.12 dB,最大下降了58.62%。研究结果可为谷物联合收获机的减振分析与结构优化设计提供参考。

摘要：针对分布式光纤测温系统,其产生的包含温度信息的后向拉曼散射信号极其微弱,因此极易被白噪声掩盖的问题。本文设计了一种基于vmd-SVD联合降噪算法,并提出通过对构造的仿真信号做降噪对比实验,以更优的降噪性能指标选取该算法的重要参数。实验表明,将该联合算法及EMD、vmd、EMD-SVD算法分别用于多组测试信号降噪时,vmd-SVD降噪算法相较于EMD算法有均有15 dB以上提升,相较于vmd算法有均有9 dB以上的提升,最后相较于EMD-SVD算法也均有1 dB以上提升,最后将上述算法应用于分布式光纤测温系统测量的多组后向拉曼散射信号降噪时,vmd-SVD降噪算法也能最有效的消除该信号的白噪声,为后续高质量测温奠定基础。

摘要：电路软故障诊断方法存在故障电压诊断异常问题,为提高电路软故障诊断的有效性,需要设计一种新的电路软故障vmd诊断方法。分析电路软故障信号采集电路软故障信息,基于vmd提取电路软故障特征,构建电路软故障智能诊断平台,从而实现电路软故障诊断。实验结果表明,设计的电路软故障vmd诊断方法诊断的电路故障电压与实际电路故障电压较接近,证明设计的电路软故障诊断方法的诊断效果较好,具有一定的应用价值,可以作为后续电路软故障维护的参考。