CN113435304B - 提取扭振信号的扭振信息的方法、系统、设备及存储介质 - Google Patents
提取扭振信号的扭振信息的方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113435304B CN113435304B CN202110701101.1A CN202110701101A CN113435304B CN 113435304 B CN113435304 B CN 113435304B CN 202110701101 A CN202110701101 A CN 202110701101A CN 113435304 B CN113435304 B CN 113435304B
- Authority
- CN
- China
- Prior art keywords
- torsional vibration
- vibration signal
- torsional
- swarm optimization
- particle swarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 104
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开提取扭振信号的扭振信息的方法、系统、设备及存储介质,方法的主要流程为以能量熵为粒子群优化算法的适应度函数,采用粒子群优化算法实现对变分模态分解算法参数的精确提取;然后将提取到的最优参数代入变分模态分解算法中实现对扭振信号的降噪分解,而后采用相关系数最大的本征模态函数IMF实现对扭振信号的重构,然后对重构的扭振信号进行零点插值,计算出两脉冲之间的间隔,计算出时间差,算出扭振瞬时转速,最后进行包络谱分析,实现对扭振信号特征提取。本发明提出的扭振信号处理方法,通过粒子群优化算法求出变分模态分解算法的参数K和α为最优组合,以此为基础处理扭振信号,能够得到更加准确的扭振信号特征。
Description
技术领域
本发明属于扭振信号处理方法的范畴,具体涉及提取扭振信号的扭振信息的方法、系统、设备及存储介质。
背景技术
扭振是一种特殊形式的振动,广泛存在于旋转机械中。发动机是装甲车的核心,除提供动力外,还会带来有害的扭振的激励源。当发动机产生扭振后经过一系列的传动装置最终将激励传递到制动器,从而使得制动器发生扭振。制动器的扭振的对其可靠性是一个潜在的极大威胁,在很大程度上扭振会造成制动器制动效果的降低甚至失效从而引发事故。因此对制动器扭振信号的提取及处理在装甲车的研究中尤为重要。
变分模态分解算法假设信号是由多个模态函数叠加而成的,每个模态函数具有不同的中心频率,通过迭代寻找变分模型的极值来确定每个模态函数(分量)的频率中心及带宽,从而实现信号的频域剖分及各分量的有效分离。但是应用变分模态分解算法扭振信号进行特征模态函数提取时,需要事先指定相应的变分模态分解参数[K,α],而不同的信号对应的参数不同。若K值过小会发生模态混叠或模态丢失等问题,不能有效提取出扭振特征;K值过大会过度分解,增加算法处理时间。
发明内容
针对上述现有技术中的不足,本发明提供了提取扭振信号的扭振信息的方法、系统、设备及存储介质。本发明通过粒子群优化算法求出变分模态分解算法的参数K和α为最优组合,以此为基础处理扭振信号,能够得到更加准确的扭振特征。
为了实现上述目的,本发明采用如下技术予以实现:
提取扭振信号的扭振信息的方法,包括如下过程:
利用粒子群优化算法求出变分模态分解参数的最优组合,所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子;
采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解,得到单分量IMF;
计算单分量IMF与所述扭振信号的相关系数;
用最大的相关系数对应的单分量IMF对扭振信号进行重构,得到重构的扭振信号;
对重构的扭振信号进行零点插值,得到零点插值后的重构的扭振信号;
对零点插值后的重构的扭振信号进行包络谱分析,提取出扭振信息。
优选的,所述粒子群优化算法如下:
其中,i表示第i个粒子;c1、c2为学习因子;r1、r2为调节粒子与最优值之间关系的随机函数;x表示粒子的位置,x=[K,α],K表示将扭振信号分解为单分量IMF的分解个数,α为惩罚因子,xi表示第i个粒子的位置;/>表示第i个粒子在第n次迭代时的速度;/>表示第i个粒子在第n次迭代时的位置;n为迭代次数,v为粒子速度;pi表示第i个粒子搜索到的局部最优解;pgi表示第i个粒子搜索到的全局最优解;w为惯性权重。
优选的,利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合;
粒子群优化算法的初始化包括对粒子位置x初始化和对粒子速度v初始化,
其中粒子位置x初始化如下:
xi=round(3rand(1,1))(xmax-xmin)+xmin
粒子速度v初始化如下:
vi=round(3rand(1,1))+2
其中:round()表示对某个数四舍五入取整数;rand()表示在0到1之间的随机取数;xmax、xmin分别表示x=[K,α]的最大值和最小值。
优选的,所述粒子群优化算法的适应度函数值Lp如下:
其中,j表示单分量IMF的序号,E(j)表示第j个单分量IMF的能量,K表示将扭振信号分解为单分量IMF的分解个数。
优选的,所述变分模态分解参数的最优组合求取过程如下:
对粒子群优化算法迭代预设次数,每次迭代得到对应的粒子群优化算法的适应度函数值,将最大的适应度函数值对应的变分模态分解参数的组合作为最优组合。
优选的,单分量IMF与所述扭振信号的相关系数rK如下:
其中:N为扭振信号y(t)对应的原始信号个数;RIMFk(i)为第k个IMF的自相关系数,Ry(i)为扭振信号y(t)的自相关系数。
优选的,惯性权重w为:
其中:wmax为最大惯性权重值,wmax=0.9;wmin为最小惯性权重值,wmin=0.4;n为第n次迭代;nmax为最大迭代次数。
本发明还提供了一种提取扭振信号的扭振信息的系统,包括:
最优组合计算模块:用于利用粒子群优化算法求出变分模态分解参数的最优组合,所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子;
模态分解模块:用于采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解,得到单分量IMF;
相关系数计算模块:用于计算单分量IMF与所述扭振信号的相关系数;
信号重构模块:用于用最大的相关系数对应的单分量IMF对扭振信号进行重构,得到重构的扭振信号;
零点插值模块:用于对重构的扭振信号进行零点插值,得到零点插值后的重构的扭振信号;
扭振信息提取模块:用于对零点插值后的重构的扭振信号进行包络谱分析,提取出扭振信息。
本发明还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明日上所述的提取扭振信号的扭振信息的方法。
本发明还提供了一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明如上所述的提取扭振信号的扭振信息的方法。
本发明具有如下有益效果:
本发明提取扭振信号的扭振信息的方法中,采用粒子群优化算法能够更准确的提取出变分模态分解算法的参数[K,α],使得采用变分模态分解算法处理的扭振信号分解效果达到最大、最合理化,降噪效果更加明显,而后采用零点插值进一步处理扭振信号,计算出更加精确的扭振瞬时转速,最后采用包络谱分析,能够更准确的提取出扭振信号特征,其中,K为将扭振信号分解为单分量IMF的分解个数,α为惩罚因子
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明提取扭振信号的扭振信息的方法的流程图;
图2为本发明实施例验证本发明算法信号的时域波形;
图3为本发明实施例中经粒子群优化算法处理得到的适应度函数曲线;
图4(a)为本发明实施例中经变分模态分解的扭振信第一个模态函数IMF图,图4(b)为本发明实施例中经变分模态分解的扭振信第一个模态函数IMF的频谱图;图4(c)为本发明实施例中经变分模态分解的扭振信第二个模态函数IMF图,图4(d)为本发明实施例中经变分模态分解的扭振信第二个模态函数IMF的频谱图;图4(e)为本发明实施例中经变分模态分解的扭振信第三个模态函数IMF图,图4(f)为本发明实施例中经变分模态分解的扭振信第三个模态函数IMF的频谱图;图4(g)为本发明实施例中经变分模态分解的扭振信第四个模态函数IMF图,图4(h)为本发明实施例中经变分模态分解的扭振信第四个模态函数IMF的频谱图;图4(i)为本发明实施例中经变分模态分解的扭振信第五个模态函数IMF图,图4(j)为本发明实施例中经变分模态分解的扭振信第五个模态函数IMF的频谱图;
图5为本发明实施例中重构后的扭振信号时域波形图;
图6为本发明实施例中重构信号的包络谱分析图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提取扭振信号的扭振信息的方法的主要流程为以能量熵为粒子群优化算法的适应度函数,采用粒子群优化算法实现对变分模态分解算法参数的精确提取;然后将提取到的最优参数代入变分模态分解算法中实现对扭振信号的降噪分解,而后采用相关系数最大的本征模态函数IMF实现对扭振信号的重构,然后对重构的扭振信号进行零点插值,计算出两脉冲之间的间隔,计算出时间差,算出扭振瞬时转速,最后进行包络谱分析,实现对扭振信号特征提取。
参照图1-图6,具体的,本发明提取扭振信号的扭振信息的方法包括以下步骤:
S1、采集扭振信号y(t);
S2、初始化粒子群优化算法的相关参数:
粒子群优化算法如下:
其中:i为第i个粒子;c1、c2为学习因子;r1、r2为调节粒子与最优值之间关系的随机函数,常取r1、r2∈[0,1];x=[K,α],K表示将扭振信号分解为单分量IMF(本征模态函数)的分解个数,α为惩罚因子;表示第i个粒子在第n次迭代时的速度;/>表示第i个粒子在第n次迭代时的位置;n为迭代次数,v为粒子速度,x为粒子位置;pi表示第i个粒子搜索到的局部最优解;pgi表示第i个粒子搜索到的全局最优解;w为惯性权重。
粒子位置x初始化:
xi=round(3rand(1,1))(xmax-xmin)+xmin (3)
粒子速度v初始化:
vi=round(3rand(1,1))+2 (4)
其中:round表示对某个数四舍五入取整数;rand表示在0到1之间的随机取数;xmax、xmin分别表示自变量x=[K,α]的最大值和最小值。
S3、采用步骤S2每次迭代完成后得到的x=[K,α],作为变分模态分解算法的参数,采用变分模态分解算法对步骤S1中采集到的扭振信号y(t)进行模态分解得到K个单分量IMF;
S4、构建粒子群优化算法的适应度函数值:
其中:Lp表示粒子群优化算法的适应度函数值,E(j)表示第j个IMF的能量。
S5、将步骤S2中粒子群优化算法迭代N次,得到N个粒子群优化算法的适应度函数值Lp,寻找最大的Lp,则最大的Lp所对应的[K0,α0]为粒子群优化算法的最优解。
S6、将优化得到的[K0,α0]作为变分模态分解算法的参数,再次对步骤S1中采集到的扭振信号y(t)进行分解,得到K0个单分量IMF。
S7、计算步骤S6中得到的K0个单分量IMF与扭振信号y(t)的相关系数rK:
其中:N为原始信号个数;RIMFk(i)为第k个IMF的自相关系数,Ry(i)为扭振信号y(t)的自相关系数。
S8、取步骤S7中相关系数rK中最大相关系数对应的IMF对扭振信号进行重构,得到重构的扭振信号y'(t)。
S9、对步骤S8重构的扭振信号y'(t)进行零点插值,而后进行包络谱分析,提取出扭振信息。
其中,惯性权重w为:
其中:wmax为最大惯性权重值,wmax=0.9;wmin为最小惯性权重值,wmin=0.4;n为第n次迭代;nmax为最大迭代次数。
实施例
本实施例步骤按照图1所示流程图进行处理。具体实施如下:
S1、在扭振实验台上采集一段扭振数据sig,其中采样频率为10240Hz,实验台模拟转速为600rpm、扭振频率为50Hz;等分齿轮齿数为100齿,采样时长为2s,时域波形如图2所示。
S2、初始化粒子群优化算法的相关参数:
粒子群优化算法中,学习因子c1=c2=2,r1、r2∈[0,1],粒子群的适应度函数自变量分别为K和α取值范围分别为,2≤K≤10,10≤α≤5000,粒子的维度设置为10,速度v范围设置为[-3,3],粒子群迭代次数设置为1000,最大惯性权重值wmax=0.9,最小惯性权重值wmin=0.4。
S3、采用步骤S2每次迭代完成后得到的[K,α],作为变分模态分解算法的参数,采用变分模态分解算法对步骤S1中采集到的扭振信号sig进行模态分解得到K个单分量IMF;
S4、构建粒子群优化算法的适应度函数值:
其中:Lp表示粒子群优化算法的适应度函数值,E(j)表示第j个IMF的能量。
S5、将步骤S2中粒子群优化算法迭代N次,得到N个粒子群优化算法的适应度函数值Lp,寻找最大的Lp,则最大的Lp所对应的[K0,α0]为粒子群优化算法的最优解。
图3所示为粒子群优化算法处理得到的适应度函数曲线,从图3中可以看出,粒子群优化算法迭代1000次,粒子群适应度函数值最后达到了收敛,完成收敛时粒子群的迭代次数为332,对应的[K,α]=[5,300]。
S6、将优化得到的[K,α]=[5,300]作为变分模态分解算法的参数,再次对步骤S1中采集到的扭振信号sig进行分解,得到5个单分量IMF,如图4(a)-图4(j)所示。
S7、计算步骤S6中得到的5个单分量IMF与扭振信号sig的相关系数rK,结果如表1所示,其中IMF1~IMF5分别为第1~第5个单分量IMF对应的相关系数。
表1
S8、从表1可以看出,单分量IMF2的相关系数最大,所以采用IMF2进行重构,得到重构的扭振信号sig',如图5所示。
S9、对步骤S8重构的扭振信号sig'进行零点插值,计算经过零点的两脉冲之间的时间间隔,计算出时间差,算出扭振瞬时转速,而后进行包络谱分析提取出扭振信息,如图6所示。从图6中可以清楚的看到51.23Hz的扭振频率及其倍频,完成扭振信号的处理,同时验证算法的正确性。
综上所述,本发明提取扭振信号的扭振信息的方法、系统、设备及存储介质,采用粒子群优化算法实现对变分模态分解算法参数的精确提取,使得采用变分模态分解算法处理的扭振信号降噪效果更加明显,而后采用零点插值进一步处理扭振信号,计算出更加精确的扭振瞬时转速,最后采用包络谱分析,能够更清晰的提取出扭振信号特征。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.提取扭振信号的扭振信息的方法,其特征在于,包括如下过程:
利用粒子群优化算法求出变分模态分解参数的最优组合,所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子;
采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解,得到单分量IMF;
计算单分量IMF与所述扭振信号的相关系数;
用最大的相关系数对应的单分量IMF对扭振信号进行重构,得到重构的扭振信号;
对重构的扭振信号进行零点插值,得到零点插值后的重构的扭振信号;
对零点插值后的重构的扭振信号进行包络谱分析,提取出扭振信息;
所述粒子群优化算法如下:
其中,,/>表示第/>个粒子;/>、/>为学习因子;/>、/>为调节粒子与最优值之间关系的随机函数;/>表示粒子的位置,/>,/>表示将扭振信号分解为单分量IMF的分解个数,/>为惩罚因子,/>表示第/>个粒子的位置;/>表示第/>个粒子在第/>次迭代时的速度;/>表示第/>个粒子在第/>次迭代时的位置;/>为迭代次数,/>为粒子速度;/>表示第/>个粒子搜索到的局部最优解;/>表示第/>个粒子搜索到的全局最优解;/>为惯性权重;
利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合;
粒子群优化算法的初始化包括对粒子位置初始化和对粒子速度/>初始化,
其中粒子位置初始化如下:
粒子速度初始化如下:
其中:表示对某个数四舍五入取整数;/>表示在0到1之间的随机取数;、/>分别表示/>的最大值和最小值;
所述粒子群优化算法的适应度函数值如下:
其中,,/>表示单分量IMF的序号,/>表示第/>个单分量IMF的能量,/>表示将扭振信号分解为单分量IMF的分解个数;
所述变分模态分解参数的最优组合求取过程如下:
对粒子群优化算法迭代预设次数,每次迭代得到对应的粒子群优化算法的适应度函数值,将最大的适应度函数值对应的变分模态分解参数的组合作为最优组合。
2.根据权利要求1所述的提取扭振信号的扭振信息的方法,其特征在于,单分量IMF与所述扭振信号的相关系数如下:
其中:为扭振信号/>对应的原始信号个数;/>为第/>个IMF的自相关系数,为扭振信号/>的自相关系数。
3.根据权利要求1所述的提取扭振信号的扭振信息的方法,其特征在于,惯性权重为:
其中:为最大惯性权重值,/>;/>为最小惯性权重值,/>;/>为第/>次迭代;/>为最大迭代次数。
4.提取扭振信号的扭振信息的系统,其特征在于,包括:
最优组合计算模块:用于利用粒子群优化算法求出变分模态分解参数的最优组合,所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子;
模态分解模块:用于采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解,得到单分量IMF;
相关系数计算模块:用于计算单分量IMF与所述扭振信号的相关系数;
信号重构模块:用于用最大的相关系数对应的单分量IMF对扭振信号进行重构,得到重构的扭振信号;
零点插值模块:用于对重构的扭振信号进行零点插值,得到零点插值后的重构的扭振信号;
扭振信息提取模块:用于对零点插值后的重构的扭振信号进行包络谱分析,提取出扭振信息;
所述粒子群优化算法如下:
其中,,/>表示第/>个粒子;/>、/>为学习因子;/>、/>为调节粒子与最优值之间关系的随机函数;/>表示粒子的位置,/>,/>表示将扭振信号分解为单分量IMF的分解个数,/>为惩罚因子,/>表示第/>个粒子的位置;/>表示第/>个粒子在第/>次迭代时的速度;/>表示第/>个粒子在第/>次迭代时的位置;/>为迭代次数,/>为粒子速度;/>表示第/>个粒子搜索到的局部最优解;/>表示第/>个粒子搜索到的全局最优解;/>为惯性权重;
利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合;
粒子群优化算法的初始化包括对粒子位置初始化和对粒子速度/>初始化,
其中粒子位置初始化如下:
粒子速度初始化如下:
其中:表示对某个数四舍五入取整数;/>表示在0到1之间的随机取数;、/>分别表示/>的最大值和最小值;
所述粒子群优化算法的适应度函数值如下:
其中,,/>表示单分量IMF的序号,/>表示第/>个单分量IMF的能量,/>表示将扭振信号分解为单分量IMF的分解个数;
所述变分模态分解参数的最优组合求取过程如下:
对粒子群优化算法迭代预设次数,每次迭代得到对应的粒子群优化算法的适应度函数值,将最大的适应度函数值对应的变分模态分解参数的组合作为最优组合。
5.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至3中任意一项所述的提取扭振信号的扭振信息的方法。
6.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的提取扭振信号的扭振信息的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701101.1A CN113435304B (zh) | 2021-06-23 | 2021-06-23 | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701101.1A CN113435304B (zh) | 2021-06-23 | 2021-06-23 | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435304A CN113435304A (zh) | 2021-09-24 |
CN113435304B true CN113435304B (zh) | 2023-09-19 |
Family
ID=77753904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110701101.1A Active CN113435304B (zh) | 2021-06-23 | 2021-06-23 | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435304B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988125A (zh) * | 2021-10-25 | 2022-01-28 | 西安交通大学 | 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法 |
CN114118147B (zh) * | 2021-11-17 | 2024-02-13 | 西安交通大学 | 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208808A (zh) * | 2013-03-07 | 2013-07-17 | 武汉大学 | 一种电力系统次同步振荡模态辨识方法 |
CN103885338A (zh) * | 2014-03-21 | 2014-06-25 | 北京工业大学 | 一种基于粒子群优化算法的输入整形器参数自整定控制方法 |
CN107506330A (zh) * | 2017-08-14 | 2017-12-22 | 电子科技大学 | 一种基于粒子群算法的变分模态分解算法参数优化方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
-
2021
- 2021-06-23 CN CN202110701101.1A patent/CN113435304B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208808A (zh) * | 2013-03-07 | 2013-07-17 | 武汉大学 | 一种电力系统次同步振荡模态辨识方法 |
CN103885338A (zh) * | 2014-03-21 | 2014-06-25 | 北京工业大学 | 一种基于粒子群优化算法的输入整形器参数自整定控制方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107506330A (zh) * | 2017-08-14 | 2017-12-22 | 电子科技大学 | 一种基于粒子群算法的变分模态分解算法参数优化方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
何凯 ; 廖玉松 ; 胡斌 ; 谭邦俊 ; .基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法.噪声与振动控制.2020,(第02期),全文. * |
张龙 ; 宋成洋 ; 邹友军 ; 崔路瑶 ; 雷兵 ; .基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断.机械设计与研究.2019,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113435304A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435304B (zh) | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 | |
CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
CN104807534B (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN101833035B (zh) | 线性调频信号参数估计方法及其实施装置 | |
Omitaomu et al. | Empirical mode decomposition technique with conditional mutual information for denoising operational sensor data | |
CN106168942B (zh) | 一种基于奇异边界法的波动类型动态数据重构方法 | |
CN110909480B (zh) | 一种水轮机振动信号的去噪方法与装置 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN113358357B (zh) | 数控机床滚动轴承故障诊断方法 | |
CN106646403B (zh) | K分布雷达杂波实时模拟方法及系统 | |
CN111310589A (zh) | 一种机械系统的故障诊断方法、故障诊断装置及终端 | |
Gowda et al. | Signal Analysis and Filtering using one Dimensional Hilbert Transform | |
CN116561520A (zh) | 一种基于woa-vmd-mpe的爆破振动信号降噪方法 | |
CN117269754A (zh) | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 | |
CN115718860A (zh) | 一种基于模态分解与稀疏时域法的低频振荡模态辨识方法 | |
CN113988125A (zh) | 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法 | |
CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
Zhang et al. | Order domain beamforming for the acoustic localization of rotating machinery under variable speed working conditions | |
Pardo-Igúzquiza et al. | CYSTRATI: a computer program for spectral analysis of stratigraphic successions | |
CN109617051B (zh) | 一种新能源电力系统低频振荡参数辨识方法 | |
CN114118147B (zh) | 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 | |
CN116520418A (zh) | 一种弹性波角度域共成像点道集高效提取方法 | |
Liu et al. | An approximate maximum likelihood estimator for instantaneous frequency estimation of multicomponent nonstationary signals | |
DeMeyer | The Brauer group of a ring modulo an ideal | |
CN113657268B (zh) | 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |