目录
1 简介
针对从滚动轴承振动信号中所提取的故障信息精度低的问题，利用鲸鱼优化算法对变分模态分解模态个数K和惩罚参数α 寻优，然后根据VMD处理信号得到若干模态分量，筛选后进一步提取能量熵作为特征向量。使用特征提取向量，可进行后续轴承故障诊断等工作。
2 变分模态分解VMD原理
VMD能够自适应匹配每种模态的最佳中心频率和有限带宽，实现固有模态分量（IMF）有效分离，
其核心思想是构建和求解变分问题。
VMD实现步骤为：
由VMD分解步骤可知，分解信号前需要设置合适的模态个数K和惩罚参数α，K取值过大会导致过分解，反之，则会欠分解，α 取值过大，会造成频带信息丢失，反之，会信息冗余，所以需要确定最佳参数组合[K，α]。目前多用中心频率观察法，通过观察不同K值下的中心频率确定K值，但该法具有偶然性，且只能确定模态个数K，无法确定惩罚参数α。
3 鲸鱼优化算法优化VMD原理
3.1. 鲸鱼优化算法优化VMD原理及流程
使用鲸鱼优化算法（WOA）对VMD参数进行寻优，以包络熵极小值作为适应度函数，包络熵代表原始信号的稀疏特性，当IMF中噪声较多，特征信息较少时，则包络熵值较大，反之，则包络熵值较小。
信号x (i )(i = 1,2,…,N )包络熵EP 用以下公式计算，式中a (i ) 是由VMD 分解的k 个模态分量经Hilbert 解调后的包络信号，ε (i )是通过计算a (i )的归一化得到的概率分布序列，N 为采样点数，计算概率分布序列ε (i )的熵值即为包络熵EP。
采用WOA优化VMD参数流程如图所示。首先初始化鲸群位置向量[K，α]，以包络熵作为适应度函数，并计算每个鲸鱼适应度，然后通过判断收敛因子大小选择迭代公式进行迭代更新，直到满足终止条件，输出最优VMD参数。
3.2. 特征提取流程
VMD 利用WOA寻优后的参数组合[K,α]采用VMD对原信号分解，得到K个模态分量，计算每个IMF 峭度值，将其定义为：
式中：μ为信号x 的均值，σ 为信号x 的标准差。
4 优化效果
4.1. VMD各分量信号时域图
4.2. 鲸鱼优化算法优化VMD各分量信号时域图
标签：模态,信号,VMD,变分,包络,鲸鱼,优化 来源： https://blog.csdn.net/ILM_O/article/details/120306614
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。