CN114118147A - 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 - Google Patents

基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 Download PDF

Info

Publication number
CN114118147A
CN114118147A CN202111365176.3A CN202111365176A CN114118147A CN 114118147 A CN114118147 A CN 114118147A CN 202111365176 A CN202111365176 A CN 202111365176A CN 114118147 A CN114118147 A CN 114118147A
Authority
CN
China
Prior art keywords
torsional vibration
whale
vmd
vibration signal
algorithm
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.)
Granted
Application number
CN202111365176.3A
Other languages
English (en)
Other versions
CN114118147B (zh
Inventor
曹宏瑞
周铖
罗杨
魏江
史江海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111365176.3A priority Critical patent/CN114118147B/zh
Publication of CN114118147A publication Critical patent/CN114118147A/zh
Application granted granted Critical
Publication of CN114118147B publication Critical patent/CN114118147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，该方法的主要流程为以能量熵为改进鲸鱼优化算法的适应度函数，采用改进鲸鱼优化算法实现对VMD算法参数的精确提取；然后将提取到的最优参数代入VMD算法中实现对扭振信号的降噪分解，而后采用相关系数大的本征模态函数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，算出扭振瞬时转速波动，最后进行频谱分析，实现对扭振信号瞬时频率特征提取。本发明提出的扭振信号瞬时频率特征提取，通过改进鲸鱼优化算法求出VMD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瞬时频率特征。

Description

基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法
技术领域
本发明属于扭振信号处理方法的范畴，具体涉及基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法。
背景技术
履带车辆因其良好的机动性能在现代军事、农业及建筑业都发挥着关键性作用。为保证履带车辆在运输和战斗过程中具有更高的机动性能，履带车辆发动机也向高速大功率方向发展，对于工况复杂的履带车辆而言，其制动器的扭振现象愈加显著。
制动器发生扭振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降低甚至失效，从而引发事故。因此对制动器扭振的研究在履带车辆的研究中尤为重要。
相对其他振动而言，扭振振幅较小，信号微弱，常被淹没于噪声信号中，对于扭振信号的提取极其困难。
采用VMD算法进行扭振信号分解过程中，需要预先设定分解个数K和惩罚因子α，这两个参数的选取直接影响到扭振信号的降噪效果。当K值选取较小，即出现“欠分解”现象，意味着分解的IMF个数比实际少，若此时α选取值小于正常值，会发生模态混叠现象；若α选取值大于正常值，则会发生模态丢失问题，不能有效提取出扭振特征。反之，当K值选取较大，即出现“过分解”现象，若此时α小于正常值，会导致各IMF分量带宽较大，各模态中掺杂的无关频率成分特征明显；若α大于正常值，会导致各IMF分量带宽较小，信号的单一频率成分将分解在相邻的几个模态中，出现虚假分量现象。
发明内容
针对上述现有技术的不足，本发明提供了基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，本发明通过改进的鲸鱼优化算法优化变分模态分解(VMD)参数K和α，得到最优参数组合[K0,α0]，以此为基础进行VMD分解、重构扭振信号，能够得到更加准确的扭振信号瞬时频率特征。
为了实现上述目的，本发明采用如下技术予以实现：
基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，包括如下过程：
基于改进的鲸鱼优化算法计算VMD算法分解个数和惩罚因子，得到VMD的分解个数和惩罚因子的最优参数组合；所述改进的鲸鱼优化算法中，觅食目标包围的数学模型中的系数向量中的收敛因子
Figure BDA0003360399090000021
螺旋气泡网攻击的数学模型X(t+1)如下：
Figure BDA0003360399090000022
其中，tMaxiter为最大迭代次数，t为迭代次数，X(t)为第t次迭代中座头鲸个体的位置向量，X*(t)为第t次迭代中座头鲸最佳个体的位置向量，ω(t)为权重因子，A为系数向量，D为座头鲸群的最佳个体与普通个体之间的距离，P为[0,1]之间的随机值，表示概率，e为自然常数，b为常数，l为[0,1]中的随机向量；
采用所述最优参数组合对已获取的扭振信号进行VMD分解，得到单分量IMF；
计算所有单分量IMF分别与所述扭振信号的相关系数；
采用所述相关系数中最大的相关系数对应的单分量IMF对所述扭振信号进行重构；
利用重构得到的重构扭振信号获取扭振瞬时转速波动信号；
对所述扭振瞬时转速波动信号进行频谱分析，实现对扭振信号瞬时频率特征提取。
优选的，基于改进的鲸鱼优化算法计算VMD算法分解个数和惩罚因子，得到VMD的分解个数和惩罚因子的最优参数组合的过程包括如下步骤：
步骤1，建立觅食目标包围的数学模型、螺旋气泡网攻击的数学模型和猎物搜索的数学模型，根据觅食目标包围的数学模型、螺旋气泡网攻击的数学模型和猎物搜索的数学模型构造出改进的鲸鱼优化算法；
步骤2，初始化改进的鲸鱼优化算法中的座头鲸种群数量、最大迭代次数、种群维度以及收敛因子；
步骤3，在VMD算法参数的取值范围内初始化座头鲸的位置向量，得到VMD算法参数的一个候选解；
步骤4，根据所述候选解对已获取的扭振信号进行VMD分解，然后计算每个座头鲸位置下的能量熵；
步骤5，更新最小的能量熵，获得座头鲸群体中最佳鲸鱼个体位置；
步骤6，利用座头鲸群体中最佳鲸鱼个体位置更新当前鲸鱼个体的位置向量；
步骤7，重复步骤3至步骤6，直至达到最大迭代次数；
步骤8：输出最佳鲸鱼个体的位置向量，得到VMD的分解个数和惩罚因子的最优参数组合。
优选的，各单分量IMF分别与所述已获取的扭振信号的相关系数rK如下：
Figure BDA0003360399090000031
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，i为扭振信号的序号。
优选的，所述步骤3的过程包括：
在VMD算法参数的取值范围内初始化座头鲸的位置向量，该位置向量为VMD的分解个数K和惩罚因子的组合，所述惩罚因子为觅食目标包围的数学模型中的系数向量中的收敛因子；
对所述已获取的扭振信号进行VMD分解，得到K个IMF分量，然后计算每个座头鲸位置向量[K,α]下的能量熵，并从计算得到的能量熵中选择最小的能量熵，得到最小的能量熵对应的座头鲸的位置向量，该座头鲸的位置向量为最佳位置向量，该最佳位置向量为VMD的分解个数和惩罚因子的最优参数组合。
优选的，改进的鲸鱼优化算法的觅食目标包围的数学模型如下：
D＝|C·X*(t)-X(t)|
X(t+1)＝X*(t)-A·D
其中：系数向量A和C分别表示为：
A＝2a·r-a
C＝2·r
其中：r是[0,1]中的随机向量；a表示收敛因子。
优选的，改进的鲸鱼优化算法的猎物搜索的数学模型如下：
D＝|C·Xrand(t)-X(t)|
X(t+1)＝Xrand(t)-A·D
其中：Xrand(t)表示座头鲸从种群中随机选择某一个体的位置作为目标位置向量，A表示系数向量，C表示系数向量。
优选的，利用重构得到的重构扭振信号获取扭振瞬时转速波动信号时，对重构得到的重构扭振信号进行零点插值，然后计算重构扭振信号中两脉冲之间的间隔，得到扭振瞬时转速波动信号。
本发明还提供了基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取系统，包括：
最优参数组合计算模块：用于基于改进的鲸鱼优化算法计算VMD算法分解个数和惩罚因子，得到VMD的分解个数和惩罚因子的最优参数组合；所述改进的鲸鱼优化算法中，觅食目标包围的数学模型中的系数向量中的收敛因子
Figure BDA0003360399090000041
螺旋气泡网攻击的数学模型X(t+1)如下：
Figure BDA0003360399090000051
其中，tMaxiter为最大迭代次数，t为迭代次数，X(t)为第t次迭代中座头鲸个体的位置向量，X*(t)为第t次迭代中座头鲸最佳个体的位置向量，ω(t)为权重因子，A为系数向量，D为座头鲸群的最佳个体与普通个体之间的距离，P为[0,1]之间的随机值，表示概率，e为自然常数，b为常数，l为[0,1]中的随机向量；
分解模块：用于采用所述最优参数组合对已获取的扭振信号进行VMD分解，得到单分量IMF；
相关系数计算模块：用于计算所有单分量IMF分别与所述扭振信号的相关系数；
重构模块：用于采用所述相关系数中最大的相关系数对应的单分量IMF对所述扭振信号进行重构；
扭振瞬时转速波动信号获取模块：用于利用重构得到的重构扭振信号获取扭振瞬时转速波动信号；
特征提取模块：用于对所述扭振瞬时转速波动信号进行频谱分析，实现对扭振信号瞬时频率特征提取。
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如上所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法。
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基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法。
本发明具有如下有益效果：
本发明基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法中，采用的收敛因子a在算法迭代后期，a急速减小以进行局部搜索，快速的收敛于局部最优解。同时引入了一个与收敛因子a同步变化的非线性惯性权重，进一步增强算法的全局搜索能力。提高了算法的收敛速度和精度。综上，本发明通过改进的鲸鱼优化算法优化变分模态分解(VMD)参数，得到最优参数组合，以此为基础进行VMD分解、重构扭振信号，能够得到更加准确的扭振信号瞬时频率特征。
附图说明
图1为本发明基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法的流程图；
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(a)为本发明实施例验证本发明算法信号的频谱分析图，图3(b)为本发明实施例验证本发明算法信号的频谱分析的低频部分局部放大图，图3(c)为本发明实施例验证本发明算法信号的频谱分析高频部分放大图；
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(a)为本发明实施例中重构后经零点插值后得到的扭振瞬时转速波形信号图，图5(b)为本发明实施例中重构后经零点插值后得到的扭振瞬时转速波形信号局部放大图；
图6(a)为本发明实施例中扭振瞬时转速波形信号的频谱分析图，图6(b)为本发明实施例中扭振瞬时转速波形信号的频谱分析低频局部放大图。
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。
本发明一种基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法的主要流程为以能量熵为改进鲸鱼优化算法的适应度函数，采用改进鲸鱼优化算法实现对VMD算法参数的精确提取；然后将提取到的最优参数代入VMD算法中实现对扭振信号的降噪分解，而后采用相关系数大的本征模态函数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，算出扭振瞬时转速波动，最后进行频谱分析，实现对扭振信号瞬时频率特征提取。
参照图1-图6(b)，本发明基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法包括以下步骤：
S1：采集含有噪声的扭振信号y(t)；
S2：分别建立改进鲸鱼优化算法的觅食目标包围的数学模型、螺旋气泡网攻击的数学模型和猎物搜索的数学模型；
根据座头鲸包围觅食目标的行为，建立觅食目标包围数学模型如下：
D＝|C·X*(t)-X(t)|
X(t+1)＝X*(t)-A·D
其中：t为迭代次数；D为座头鲸群的最佳个体与普通个体之间的距离；X(t)为第t次迭代中座头鲸个体的位置向量；X*(t)为第t次迭代中座头鲸最佳个体的位置向量；A和C是系数向量，分别表示为：
A＝2a·r-a
C＝2·r
其中：r是[0,1]中的随机向量；a表示收敛因子。
收敛因子a具体为：
Figure BDA0003360399090000081
收敛因子a决定了控制参数A的变化，从而协调算法全局探索与局部搜索。a越大，改进鲸鱼优化算法的全局探索能力越强；a越小，算法的局部搜索能力越强。在算法迭代前期，较大并缓慢减小以充分进行全局探索；在算法迭代后期,a急速减小以进行局部搜索，快速的收敛于局部最优解。
座头鲸吐出气泡,并以螺线运动轨迹向目标猎物游去，个体位置更新(也即猎物搜索)的数学模型为：
X(t+1)＝D·ebl·cos(2πl)+X*(t)
其中：b为常数；l是[0,1]中的随机向量。
座头鲸在螺旋搜寻猎物过程中，还会收缩包围圈，假定收缩包围机制和更新螺旋位置机制的概率P*均为0.5，则座头鲸在收缩包圆圈内沿着螺线运动轨迹游动行为的数学模型(也即觅食目标包围)为：
Figure BDA0003360399090000082
其中：ω(t)表示权重因子。
权重因子ω(t)具体表达式为：
Figure BDA0003360399090000091
较大的惯性权值有利于算法的全局探索,而较小的惯性权值有利于算法的局部搜索。为提高算法的收敛速度和精度，本发明引入了一个与收敛因子a同步变化的非线性惯性权重，进一步增强算法的全局搜索能力。
S3：初始化改进鲸鱼优化算法中的座头鲸种群数量N、最大迭代次数tMaxiter、种群维度dim以及收敛因子a，具体的，每头座头鲸个体的位置对应VMD算法参数[K,α]的一个候选解；
S4：在VMD算法参数[K,α]取值范围内初始化座头鲸的位置向量，得到VMD算法参数[K,α]的一个候选解，根据位置向量即VMD的参数组合[K,α]，对步骤S1中的扭振信号进行VMD分解，得到K个IMF分量，然后根据下式分别计算每个座头鲸位置向量[K,α]下的能量熵，并从中选择最小的能量熵即可得到最小的能量熵对应的座头鲸的最佳位置向量，即VMD算法参数的最优参数组合[K0,α0]：
Figure BDA0003360399090000092
其中：Lp(i)表示第i个IMF分量的能量熵；
Figure BDA0003360399090000093
其中：
Figure BDA0003360399090000094
j表示单分量IMF的序号，E(j)表示第j个单分量IMF的能量，pj表示第j个单分量IM能量的归一化形式；K表示将扭振信号分解为单分量IMF的分解个数。
S5：将优化得到的最优参数组合[K0,α0]作为VMD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；
S6：计算步骤S5中得到的K0个单分量IMF与扭振信号y(t)的相关系数rK：
Figure BDA0003360399090000101
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。
S7：取步骤S6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)。
S8：对步骤S7重构的扭振信号y'(t)进行零点插值，得到扭振瞬时转速波波动信号y”(t)，而后进行频谱分析，提取出扭振瞬时频率特征信息。
本发明基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法中，通过采用改进的鲸鱼优化算法，以能量熵为适应度函数优化VMD参数，得到最优组合。采用最优参数组合对扭振信号进行降噪和重构，对重构的扭振信号进行零点插值，计算两脉冲之间的间隔，算出扭振瞬时转速信号，最后进行频谱分析，实现对扭振信号瞬时频率特征提取。
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，从频谱的低频部分(图3(b))可得到扭振转速600rpm的转频10Hz，从高频部分(图3(c))可得到等分齿轮的通过频率1000Hz，且存在10Hz的边频带，从而说明采集的扭振数据的正确性。但是从频谱图中无法得知50Hz的来源，说明采用简单的频谱分析并不能有效提取出扭振频率。
S2：分别建立改进鲸鱼优化算法的觅食目标包围的数学模型、螺旋气泡网攻击的数学模型和猎物搜索的数学模型；
根据座头鲸包围觅食目标的行为，建立数学模型如下：
D＝|C·X*(t)-X(t)|
X(t+1)＝X*(t)-A·D
其中：t为迭代次数；D为座头鲸群的最佳个体与普通个体之间的距离；X(t)为第t次迭代中座头鲸个体的位置向量；X*(t)为第t次迭代中座头鲸最佳个体的位置向量；A和C是系数向量，分别表示为：
A＝2a·r-a
C＝2·r
其中：r是[0,1]中的随机向量；a表示收敛因子。
收敛因子a具体为：
Figure BDA0003360399090000111
收敛因子a决定了控制参数A的变化，从而协调算法全局探索与局部搜索。a越大，算法的全局探索能力越强；a越小，算法的局部搜索能力越强。在算法迭代前期,a较大并缓慢减小以充分进行全局探索；在算法迭代后期,a急速减小以进行局部搜索，快速的收敛于局部最优解。
座头鲸吐出气泡,并以螺线运动轨迹向目标猎物游去,个体位置更新的数学模型为：
X(t+1)＝D·ebl·cos(2πl)+X*(t)
其中：b为常数；l是[0,1]中的随机向量。
座头鲸在螺旋搜寻猎物过程中，还会收缩包围圈，假定收缩包围机制和更新螺旋位置机制的概率P*均为0.5，则座头鲸在收缩包圆圈内沿着螺线运动轨迹游动行为的数学模型为：
Figure BDA0003360399090000121
其中：ω(t)表示权重因子。
Figure BDA0003360399090000122
较大的惯性权值有利于算法的全局探索,而较小的惯性权值有利于算法的局部搜索。为提高算法的收敛速度和精度，本发明引入了一个与收敛因子a同步变化的非线性惯性权重，进一步增强算法的全局搜索能力。
S3：初始化座头鲸种群数量N＝12，最大迭代次数tMaxiter＝10，种群维度dim＝2，K和α取值范围分别为2≤K≤10,10≤α≤5000；
S4：在取值范围内初始化座头鲸的位置向量，根据位置向量即VMD的参数组合[K,α]，对步骤S1中的扭振信号进行VMD分解，得到K个IMF分量，然后根据下式计算每个座头鲸位置向量[K,α]下的能量熵，并从中选择最小的能量熵即可得到座头鲸的最佳位置向量，即VMD的最优参数组合[K0,α0]：
Figure BDA0003360399090000123
其中：Lp(i)表示第i个IMF分量的能量熵；
Figure BDA0003360399090000124
其中：
Figure BDA0003360399090000125
j表示单分量IMF的序号，E(j)表示第j个单分量IMF的能量，pj表示第j个单分量IM能量的归一化形式；K表示将扭振信号分解为单分量IMF的分解个数，经过迭代计算得到最优参数组合[K0,α0]＝[5,4144]；
S5：将优化得到的[K0,α0]＝[5,4144]作为VMD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；
S6：计算步骤S5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
Figure BDA0003360399090000131
S7：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'。
S8：对步骤S7重构的扭振信号sig'进行零点插值，得到扭振瞬时转速波波动信号sig”如图5(a)和图5(b)所示。而后进行频谱分析，提取出扭振瞬时频率特征信息，如图6(a)-图6(b)所示。从图6(b)中可以清楚的看到50.02Hz的扭振频率及其倍频，同时在扭振倍频两侧存在10Hz的边频带，从而证明所提算法能够实现对扭振信号频率的提取，且提取误差仅为0.04％。
综上所述，本发明一种基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法的主要流程为以能量熵为改进鲸鱼优化算法的适应度函数，采用改进鲸鱼优化算法实现对VMD算法参数的精确提取；然后将提取到的最优参数代入VMD算法中实现对扭振信号的降噪分解，而后采用相关系数大的本征模态函数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，算出扭振瞬时转速波动，最后进行频谱分析，实现对扭振信号瞬时频率特征精确提取。
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 (10)

1.基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，包括如下过程：
基于改进的鲸鱼优化算法计算VMD算法分解个数和惩罚因子，得到VMD的分解个数和惩罚因子的最优参数组合；所述改进的鲸鱼优化算法中，觅食目标包围的数学模型中的系数向量中的收敛因子
Figure FDA0003360399080000011
螺旋气泡网攻击的数学模型X(t+1)如下：
Figure FDA0003360399080000012
其中，tMaxiter为最大迭代次数，t为迭代次数，X(t)为第t次迭代中座头鲸个体的位置向量，X*(t)为第t次迭代中座头鲸最佳个体的位置向量，ω(t)为权重因子，A为系数向量，D为座头鲸群的最佳个体与普通个体之间的距离，P为[0,1]之间的随机值，表示概率，e为自然常数，b为常数，l为[0,1]中的随机向量；
采用所述最优参数组合对已获取的扭振信号进行VMD分解，得到单分量IMF；
计算所有单分量IMF分别与所述扭振信号的相关系数；
采用所述相关系数中最大的相关系数对应的单分量IMF对所述扭振信号进行重构；
利用重构得到的重构扭振信号获取扭振瞬时转速波动信号；
对所述扭振瞬时转速波动信号进行频谱分析，实现对扭振信号瞬时频率特征提取。
2.根据权利要求1所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，基于改进的鲸鱼优化算法计算VMD算法分解个数和惩罚因子，得到VMD的分解个数和惩罚因子的最优参数组合的过程包括如下步骤：
步骤1，建立觅食目标包围的数学模型、螺旋气泡网攻击的数学模型和猎物搜索的数学模型，根据觅食目标包围的数学模型、螺旋气泡网攻击的数学模型和猎物搜索的数学模型构造出改进的鲸鱼优化算法；
步骤2，初始化改进的鲸鱼优化算法中的座头鲸种群数量、最大迭代次数、种群维度以及收敛因子；
步骤3，在VMD算法参数的取值范围内初始化座头鲸的位置向量，得到VMD算法参数的一个候选解；
步骤4，根据所述候选解对已获取的扭振信号进行VMD分解，然后计算每个座头鲸位置下的能量熵；
步骤5，更新最小的能量熵，获得座头鲸群体中最佳鲸鱼个体位置；
步骤6，利用座头鲸群体中最佳鲸鱼个体位置更新当前鲸鱼个体的位置向量；
步骤7，重复步骤3至步骤6，直至达到最大迭代次数；
步骤8：输出最佳鲸鱼个体的位置向量，得到VMD的分解个数和惩罚因子的最优参数组合。
3.根据权利要求2所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，各单分量IMF分别与所述已获取的扭振信号的相关系数rK如下：
Figure FDA0003360399080000021
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，i为扭振信号的序号。
4.根据权利要求2所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，所述步骤3的过程包括：
在VMD算法参数的取值范围内初始化座头鲸的位置向量，该位置向量为VMD的分解个数K和惩罚因子α的组合，所述惩罚因子为觅食目标包围的数学模型中的系数向量中的收敛因子；
对所述已获取的扭振信号进行VMD分解，得到K个IMF分量，然后计算每个座头鲸位置向量[K,α]下的能量熵，并从计算得到的能量熵中选择最小的能量熵，得到最小的能量熵对应的座头鲸的位置向量，该座头鲸的位置向量为最佳位置向量，该最佳位置向量为VMD的分解个数和惩罚因子的最优参数组合。
5.根据权利要求1所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，改进的鲸鱼优化算法的觅食目标包围的数学模型如下：
D＝|C·X*(t)-X(t)|
X(t+1)＝X*(t)-A·D
其中：系数向量A和C分别表示为：
A＝2a·r-a
C＝2·r
其中：r是[0,1]中的随机向量；a表示收敛因子。
6.根据权利要求1所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，改进的鲸鱼优化算法的猎物搜索的数学模型如下：
D＝|C·Xrand(t)-X(t)|
X(t+1)＝Xrand(t)-A·D
其中：Xrand(t)表示座头鲸从种群中随机选择某一个体的位置作为目标位置向量，A表示系数向量，C表示系数向量。
7.根据权利要求1所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法，其特征在于，利用重构得到的重构扭振信号获取扭振瞬时转速波动信号时，对重构得到的重构扭振信号进行零点插值，然后计算重构扭振信号中两脉冲之间的间隔，得到扭振瞬时转速波动信号。
8.基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取系统，其特征在于，包括：
最优参数组合计算模块：用于基于改进的鲸鱼优化算法计算VMD算法分解个数和惩罚因子，得到VMD的分解个数和惩罚因子的最优参数组合；所述改进的鲸鱼优化算法中，觅食目标包围的数学模型中的系数向量中的收敛因子
Figure FDA0003360399080000041
螺旋气泡网攻击的数学模型X(t+1)如下：
Figure FDA0003360399080000042
其中，tMaxiter为最大迭代次数，t为迭代次数，X(t)为第t次迭代中座头鲸个体的位置向量，X*(t)为第t次迭代中座头鲸最佳个体的位置向量，ω(t)为权重因子，A为系数向量，D为座头鲸群的最佳个体与普通个体之间的距离，P为[0,1]之间的随机值，表示概率，e为自然常数，b为常数，l为[0,1]中的随机向量；
分解模块：用于采用所述最优参数组合对已获取的扭振信号进行VMD分解，得到单分量IMF；
相关系数计算模块：用于计算所有单分量IMF分别与所述扭振信号的相关系数；
重构模块：用于采用所述相关系数中最大的相关系数对应的单分量IMF对所述扭振信号进行重构；
扭振瞬时转速波动信号获取模块：用于利用重构得到的重构扭振信号获取扭振瞬时转速波动信号；
特征提取模块：用于对所述扭振瞬时转速波动信号进行频谱分析，实现对扭振信号瞬时频率特征提取。
9.一种电子设备，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7中任意一项所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法。
10.一种存储介质，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7中任意一项所述的基于改进鲸鱼优化VMD的扭振信号瞬时频率特征提取方法。
CN202111365176.3A 2021-11-17 2021-11-17 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 Active CN114118147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111365176.3A CN114118147B (zh) 2021-11-17 2021-11-17 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111365176.3A CN114118147B (zh) 2021-11-17 2021-11-17 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法

Publications (2)

Publication Number Publication Date
CN114118147A true CN114118147A (zh) 2022-03-01
CN114118147B CN114118147B (zh) 2024-02-13

Family

ID=80397248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111365176.3A Active CN114118147B (zh) 2021-11-17 2021-11-17 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法

Country Status (1)

Country Link
CN (1) CN114118147B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742104A (zh) * 2022-04-02 2022-07-12 大连理工大学 基于优化变分模态分解和模糊熵的铣削颤振识别方法
CN115434872A (zh) * 2022-08-11 2022-12-06 兰州理工大学 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
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
CN103646146A (zh) * 2013-12-20 2014-03-19 武汉大学 基于改进原子分解参数辨识的svc控制器设计方法
CN112597930A (zh) * 2020-12-28 2021-04-02 西安理工大学 一种基于woa-vmd算法的信号去噪方法
WO2021139331A1 (zh) * 2020-01-08 2021-07-15 重庆交通大学 一种基于瞬时频率优化vmd的轴承故障诊断方法
CN113435304A (zh) * 2021-06-23 2021-09-24 西安交通大学 提取扭振信号的扭振信息的方法、系统、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN103646146A (zh) * 2013-12-20 2014-03-19 武汉大学 基于改进原子分解参数辨识的svc控制器设计方法
WO2021139331A1 (zh) * 2020-01-08 2021-07-15 重庆交通大学 一种基于瞬时频率优化vmd的轴承故障诊断方法
CN112597930A (zh) * 2020-12-28 2021-04-02 西安理工大学 一种基于woa-vmd算法的信号去噪方法
CN113435304A (zh) * 2021-06-23 2021-09-24 西安交通大学 提取扭振信号的扭振信息的方法、系统、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘历波;赵廷廷;李彦苍;王斌;: "基于信息熵的改进鲸鱼优化算法", 数学的实践与认识, no. 02 *
徐继亚;王艳;纪志成;: "基于鲸鱼算法优化WKELM的滚动轴承故障诊断", 系统仿真学报, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742104A (zh) * 2022-04-02 2022-07-12 大连理工大学 基于优化变分模态分解和模糊熵的铣削颤振识别方法
CN115434872A (zh) * 2022-08-11 2022-12-06 兰州理工大学 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法

Also Published As

Publication number Publication date
CN114118147B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN114118147A (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
CN101833035A (zh) 线性调频信号参数估计方法及其实施装置
CN112597930B (zh) 一种基于woa-vmd算法的信号去噪方法
CN110855374B (zh) 一种水声目标辐射噪声调制特征提取方法
CN104793194B (zh) 基于改进的自适应多脉冲压缩的距离‑多普勒估计方法
CN113011093B (zh) 基于LCWaveGAN的船舶航行噪声仿真生成方法
CN111929666B (zh) 一种基于序贯环境学习的弱水声目标线谱自主提取方法
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
CN116561520A (zh) 一种基于woa-vmd-mpe的爆破振动信号降噪方法
CN116699526A (zh) 一种基于稀疏与低秩模型的车载毫米波雷达干扰抑制方法
CN112836674B (zh) 基于微多普勒特征的水下目标识别方法
CN113203998B (zh) Isar平动补偿和成像方法、系统、介质及设备
CN114813123A (zh) 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法
CN115345030A (zh) 空间动态集群目标电磁散射特性仿真方法及装置
CN113702923B (zh) 一种雷达杂波模拟方法及电子设备
CN109558857A (zh) 一种混沌信号降噪方法
CN114936570A (zh) 基于轻量化cnn网络的干扰信号智能识别方法
JPH0471166B2 (zh)
CN117974736B (zh) 一种基于机器学习的水下传感器输出信号降噪方法及系统
CN113740820B (zh) 一种雷达信号处理机脉冲多普勒处理的数学建模方法
CN117851760B (zh) 一种基于频带预处理的波浪智能预报模型优化方法及系统
CN109633735B (zh) 基于弹道靶实验平台的等离子体尾迹散射信号的提取方法
Yang et al. Harmonic Retrieval and Simulation of Aircraft Engine Noise
Mou et al. E-pulse Discrimination Technique for Radar Targets of the Same Model But Different Versions
CN118603556A (zh) 一种基于itd与改进lms自适应滤波结合的轴承故障特征提取方法

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