减法优化器优化TVFEMD参数(带宽阈值和B样条阶数),包络谱故障特征能量比为适应度函数

Matlab:数据类型标识相关的函数 阅读详情

时变滤波经验模态分解(TVFEMD)的性能在很大程度上取决于其参数(即带宽阈值和B 样条阶数)的选取。在应用TVFEMD 诊断故障时,参数需要预先人为设定,因此难以获得令人满意的分解结果。

本期文章步骤有三:

①采用减法优化器算法来搜索TVFEMD最佳参数组合;

②使用得到的最佳参数组合对轴承故障信号进行TVFEMD 分解,得到一组本征模态函数(IMF);

③选取包络谱故障特征能量比最大的IMF 分量进行包络解调分析,提取故障特征,进行故障诊断。

可以参考的文献如下:

[1]岑立,钟先友.基于粒子群优化时变滤波经验模态分解的轴承故障诊断[J].机械,2020,47(11)

[2]唐贵基,周翀,庞彬等.基于参数优化时变滤波经验模态分解的转子故障诊断[J].振动与冲击,2019,38(10):

[3]邓飞跃,唐贵基,王晓龙.谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法[J].振动工程学报,2015,28(06):

以西储大学数据集130.mat为例,选用130.mat中的X130_BA_time.mat数据中4000个数据点。没有数据的看我这篇文章。西储大学轴承诊断数据处理,matlab免费代码获取

简单说一下这里的适应度函数选择,采用包络谱故障特征能量比。

首先将数据分解为k个IMF分量,然后分别计算每个IMF分量的包络谱故障特征能量比,选择该值最大的那个IMF分量即为最佳IMF分量,然后对这个最佳IMF分量进行包络谱分析即可实现故障诊断。

包络谱故障特征能量比定义如下:

通过解调得到包络谱序列为X,则信号包络谱的总能量为  ,定义故障特征能量比  表达式如下:  式中  为轴承故障特征频率i倍频处的幅值,文中选n=4(这里的n可以自行决定,3~6都可以)。故障特征能量比表示信号故障特征频率前n倍频处的能量占包络谱总能量的比重,比重越大,说明故障特征频率前n倍越明显,信号解调效果越好。

结果展示

1.SABO优化TVFEMD的适应度曲线图

4ca568fded74daf7da7206151eb236fa.png

程序运行结果也会在窗口打印出来:

SABO: At iteration 2 ,the best fitness is 0.12748the best position is:[0.114776           19]
SABO: At iteration 4 ,the best fitness is 0.12933the best position is:[0.1           9]
SABO: At iteration 6 ,the best fitness is 0.13383the best position is:[0.1           10]
SABO: At iteration 8 ,the best fitness is 0.13383the best position is:[0.1           10]
SABO: At iteration 10 ,the best fitness is 0.13383the best position is:[0.1           10]
SABO: At iteration 12 ,the best fitness is 0.13848the best position is:[0.100404           12]
SABO: At iteration 14 ,the best fitness is 0.13848the best position is:[0.100404           12]
SABO: At iteration 16 ,the best fitness is 0.14087the best position is:[0.10921           9]
SABO: At iteration 18 ,the best fitness is 0.14087the best position is:[0.10921           9]
SABO: At iteration 20 ,the best fitness is 0.14087the best position is:[0.10921           9]
最佳tvfemd参数是:0.10921           9,最佳IMF分量是:IMF2

2.最佳tvfemd参数回带后的分解图:

5dfb3f213c664f49f6991005d00a6e48.png

三维分解图的展示:

8783889bf6b24dd04b7ff22d9de2e0da.png

3.最佳tvfemd参数回带后的频谱图:

970ae2d64e1c2d6e71cded26e9742baf.png

4.最佳tvfemd参数回带后,求最佳IMF分量的包络谱图:

eb5f169cfea04f701ab36543ae99e315.png

可以看到一倍频二倍频三倍频非常明显,因此可以判断该故障信号为外圈故障。

5.tvfemd分解后的包络图

f6fe9a1a601b526b77ed0d720152cbb7.png

6.最佳IMF分量的边际谱图:

f4aa85f91e18a85a5a82018c4324ecb4.png

代码目录展示:

98a39471d916624a511611491e62c75a.png

部分代码展示:

%% 故障特征能量比为适应度函数,采用SABO算法优化tvfemd,求取tvfemd最佳的两个参数
clear
clc
close all
addpath(genpath(pwd))
load 130.mat   %这里选取130.mat
L = 4000 ;   %选取4000个点
data=X130_BA_time(2001:L+2000);%为了去除暂态,数据稍微往后取取
data = data';
fobj=@fitness; %适应度函数
D=2;             % 优化变量数目
lb=[0.1 5];      % 下限值,分别是带宽阈值和B样条阶
ub=[1 30];        % 上限值
% Zhang等建议TVFEMD算法的带宽阈值[0,1]。然而,,的值越接近于0,算法计算
% 时间越长。通常取值约0.1时,分解就已达到% 较好的效果,且有比较短的计算时间。
% 因此,本文参数优化范围为带宽阈值[0.1,1],B样条阶数5≤n≤30。
% 参考文献:【1】基于粒子群优化时变滤波经验模态分解的轴承故障诊断
% 参考文献:【2】Zhang X,Liu Z,Miao Q,et al.An optimized time varying filtering based empirical mode decomposition method with grey wolf
% optimizer for machinery fault diagnosis[J].Journal of Sound Vibration,2018(418):55-78.
% 参考文献:【3】唐贵基,周肿,庞彬,等.基于参数优化时变滤波经验模态分解的转子故障诊断[J].振动与冲击,2019,38(10):162-168.


T=20;       % 最大迭代数目
N=15;        % 种群规模
fcf = 3.5848*1796/60;  %由于要计算故障特征能量比,因此需要事先知道故障特征能频率是多少。
% 这是130.mat的故障特征频率,每次更换数据,也要替换这个值。
%具体参考:https://zhuanlan.zhihu.com/p/420780043
[SABOBest_score,SABOBest_pos,Bestidx,SABO_curve] = SABO(N,T,lb,ub,D,fobj,data,fcf);
display(['最佳tvfemd参数是:', num2str([SABOBest_pos(1),fix(SABOBest_pos(2))]),',最佳IMF分量是:IMF',num2str(Bestidx)]);  %输出最佳位置
save result.mat SABOBest_score SABOBest_pos Bestidx SABO_curve

点击下方卡片获取更多代码!

数据分析-38-时间序列分解之时变滤波器经验模态分解TVFEMD 结合时变滤波器特性与EMD,适应信号中随时间变化的特性进行分解。 阅读详情

相关推荐

基于时变滤波器的经验模态分解(TVF-EMD):一种用于经验模态分解的时变滤波器方法-matlab开发

筛选过程采用时变滤波技术完成。局部截止频率是通过充分利用瞬时幅度和频率信息自适应设计的。 然后采用非均匀 B 样条近似作为时变滤波器。 为了解决间歇性问题,还引入了截止频率重排算法。 为了提高低采样率下的性能,提出了固有模式函数(IMF)的带宽准则。 TVF-EMD 是完全自适应的,适用于线性和非平稳信号的分析。 与EMD相比,所提出的方法能够提高频率分离性能,以及低采样率下的稳定性。 此外,所提出的方法对噪声干扰具有鲁棒性。 TVF-EMD 来自http://www.sciencedirect.com/science/article/pii/S0165168417301135 要使用此代码,请引用我们的工作:Li、Heng、Zhi Li 和 Wei Mo。“经验模式分解的时变滤波器方法”。 信号处理 138 (2017): 146-158。

CEEMDAN、EEMD、EMD、TVF-EMD

采用经验模态分解EMD、集合经验模态分解EEMD、自适应噪音的完整集合经验模态分解CEEMDAN、时变滤波器经验模态分解TVF-EMD对信号进行分解

weixin_825487230的博客 3129

TVF-EMD(时变滤波器的经验模态分解)可直接替换

Matlab实现TVF-EMD(时变滤波器的经验模态分解)可直接替换 Matlab语言 1.算法新颖小众,用的人很少,包含分解图 2.直接替换数据即可用 适合新手小白 注释清晰~ 3.附赠excel测试数据 直接运行main一键出图~

16种数据分解方法任意挑选,MATLAB代码,实现数据分解自由,一次性全部带走,速看!...

目录16种常用的数据分解方法EMD(经验模态分解)EEMD(集合经验模态分解)CEEMD(互补集合经验模态分解)FEEMD(快速EEMD分解)CEEMDAN(完全自适应噪声集合经验模态分解)ICEEMDAN(改进的自适应噪声完备EEMD)LMD(局域均值分解)RLMD(鲁棒性局部均值分解)EWT(经验小波分解)VMD(变分模态分解)MVMD(多元变分模式分解)SVMD(Successive Var...

淘个代码 1062

TensorRT-LLM环境配置避坑指南:从安装到实战

本文是一份详尽的TensorRT-LLM环境配置避坑指南。文章重点解析了从Python、CUDA、PyTorch版本选择,到解决mpi4py安装这一核心难题的完整流程,并提供了经过验证的稳定版本组合与实战排错方案,帮助开发者高效部署大语言模型推理优化环境。

a0b1c2d3的专栏 985

极简JEPA世界模型实战:低门槛复现LeWorldModel,CPU可跑

这次我们来看一个能让普通开发者真正上手跑起来的“世界模型”项目。如果你对Yann LeCun提出的JEPA(联合嵌入预测架构)框架感兴趣,但又苦于Meta官方实现过于庞大复杂,那么这个GitHub上4k star的项目就是为你准备的。它用极简的PyTorch代码(核心文件仅160-278行)完整复刻了包括LeWorldModel在内的五个JEPA核心变体,最大的亮点是: 门槛极低,普通笔记本甚至CPU就能跑,显存占用友好,非常适合学习和原理验证。 这个项目名为 keon/jepa ,完全开源。它剥离了工业级

weixin_29031161的博客 427

减法优化器优化TVFEMD参数(带宽阈值和B样条阶数),包络谱故障特征能量比为适应度函数研究(Matlab代码实现)

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️行百里者,半于九十。📋📋📋🎁🎁🎁。

m0_73907476的博客 1034

Vue3实战:集成bpmn-js与Activiti工作流引擎的完整指南

本文详细介绍了如何在Vue3项目中集成bpmn-js流程图编辑器与Activiti工作流引擎,构建一个完整的前端流程设计器。文章重点解析了Vue3响应式系统与bpmn-js集成的核心陷阱及解决方案,并提供了属性面板配置、XML命名空间适配、撤销重做等实用功能的完整实现指南,帮助开发者高效完成工作流系统的前端开发。

weixin_29009881的博客 214
上一篇: 智能优化算法之合作优化算法(CSA),原理公式详解,附matlab代码
下一篇: 经典优化算法之飞蛾扑火(MFO),原理公式详解,附matlab代码
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值