-
题名ACROA优化的自适应最稀疏窄带分解方法
被引量：3
- 1
-
-
作者
彭延峰
程军圣
杨宇
-
机构
湖南大学汽车车身先进设计制造国家重点实验室
-
出处
《振动工程学报》
EI
CSCD
北大核心
2016年第6期1127-1133,共7页
-
基金
国家重点研发计划项目(2016YFF0203400)
国家自然科学基金资助项目(51375152
+2 种基金
51575168)
智能型新能源汽车国家2011协同创新中心
湖南省绿色汽车2011协同创新中心资助项目
-
文摘
提出了基于人工化学反应优化算法(artificial chemical reaction optimization algorithm,ACROA)的自适应最稀疏窄带分解(adaptive sparsest narrow-band decomposition,ASNBD)方法,将信号分解转化为对滤波器参数的优化问题,使用ACROA进行优化,以得到信号的最稀疏解为优化目标,在优化过程中将信号自适应地分解成若干个具有物理意义的局部窄带信号。对数值仿真和齿轮故障数据进行分析,结果表明该方法在抑制模态混淆、抗噪声性能、提高分量的正交性和准确性等方面要优于ASTFA方法、基于遗传算法(genetic algorithm,GA)的ASNBD方法及总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法,并能有效识别出齿轮的典型故障。
-
关键词
故障诊断
齿轮
自适应最稀疏窄带分解
人工化学反应优化算法
局部窄带信号
-
Keywords
fault diagnosis
gear
adaptive sparsest narrow-band decomposition
artificial chemical reaction optimization algo rithm
local narrow-band signal
-
分类号
TH165.3
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名自适应最优化窄带分解方法及其应用
- 2
-
-
作者
彭延峰
程军圣
杨宇
李宝庆
-
机构
湖南大学汽车车身先进设计制造国家重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2016年第15期1-6,共6页
-
基金
国家科技支撑计划课题(2015BAF32B03)
国家自然科学基金(51375152
+2 种基金
51575168)
智能型新能源汽车国家2011协同创新中心
湖南省绿色汽车2011协同创新中心资助
-
文摘
提出了自适应最优化窄带分解(Adaptive Optimization Narrow-Band Decomposition,AONBD)方法。该方法将信号分解转化为对滤波器参数的优化问题,以得到信号的最优化解为优化目标,在优化过程中将信号自适应的分解成多个内禀窄带分量(Intrinsic Narrow-Band Components,INBC)。AONBD分为两步,首先通过优化得到最优的滤波器,然后使用该滤波器对信号进行滤波以得到信号的最优化解。阐述了AONBD的基本原理及分解步骤。采用仿真信号将AONBD方法与自适应最优化时频分析(Adaptive Sparsest Time-Frequency Analysis,ASTFA)方法及经验模态分解(Empirical Mode Decomposition,EMD)方法进行对比。结果表明,AONBD在抑制端点效应和模态混淆、抗噪声性能、提高分量的正交性和准确性等方面具有一定的优越性。对转子振动信号的分析结果表明,AONBD能有效应用于机械故障诊断。
-
关键词
自适应最优化窄带分解
内禀窄带分量
局部窄带信号
奇异局部线性算子
转子故障诊断
-
Keywords
adaptive optimization narrow-band decomposition
intrinsic narrow-band components
local narrow-band signal
singular local linear operator
rotor fault diagnosis
-
分类号
TH165.3
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名互补集合自适应最稀疏窄带分解及其应用
- 3
-
-
作者
陈君航
彭延峰
李学军
韩清凯
李鸿光
-
机构
湖南科技大学湖南省机械设备健康维护重点实验室
湖南科技大学先进矿山装备教育部工程研究中心
大连理工大学机械工程学院
上海交通大学机械系统与振动国家重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2019年第20期31-37,共7页
-
基金
国家重点研发计划(2018YFF0212902)
国家自然科学基金(51805161)
湖南省自然科学基金(2018JJ3187)
-
文摘
自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)是在包含内禀模态函数(Intrinsic Mode Functions,IMF)的过完备字典库中搜索信号的最稀疏解,将信号分解转化为优化问题,但在强噪声干扰时计算精度仍有待提高。因此在结合了互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)算法,得到了新的互补集合自适应最稀疏窄带分解(Complementary Ensemble Adaptive Sparsest Narrow-band Decomposition,CE-ASNBD)方法。此方法是加入成对符号相反的白噪声到目标信号,从而减小重构误差,在对滤波器参数的优化过程中实现信号的自适应分解。对仿真和实验数据的分析结果表明,该方法在抑制模态混淆、端点效应、性能、提高分量的正交性和准确性等方面要优于CEEMD和ASNBD方法,并能有效应用于滚动轴承故障诊断。
-
关键词
故障诊断
滚动轴承
自适应最稀疏窄带分解
互补集合经验模态分解
局部窄带信号
-
Keywords
fault diagnosis
rolling bearing
adaptive sparsest narrow-band decomposition
complementary ensemble empirical mode decomposition
local narrow-band signal
-
分类号
TH165.3
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名S.L.Peng自适应分解算法的研究与探讨
被引量：2
- 4
-
-
作者
刘新
粟塔山
-
机构
国防科学技术大学理学院
-
出处
《计算机与现代化》
2011年第1期32-35,共4页
-
文摘
介绍S.L.Peng的基于瞬时频率和局部窄带信号的自适应分解方法,对两类局部窄带信号分解方法进行分析与研究。这种算法选取局部窄带信号作为基信号,通过构造奇异线性算子,从其零空间中提取局部窄带信号,从而实现信号的自适应分解,并通过与MP算法的比较,给出这两种算法的内在联系。
-
关键词
瞬时频率
局部窄带信号
自适应分解
-
Keywords
instantaneous frequency
local narrow band signal
adaptive signal decomposition
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
