基于GA的自适应最稀疏时频分析方法及应用

摘要/Abstract

摘要：

为解决自适应最稀疏时频分析（ASTFA）方法中初始相位函数的选择问题，采用遗传算法（GA）对ASTFA的初始相位函数进行优化，提出了GA-ASTFA方法。进一步研究了GA-ASTFA方法抑制模态混淆的能力，分析结果表明，GA-ASTFA能较好地抑制模态混淆，分解得到的分量信号精度高，且可抑制分解中的伪分量。最后将GA-ASTFA方法用于转子碰摩故障诊断，实验分析结果表明，GA-ASTFA方法能有效提取转子碰摩故障特征信息。

关键词: 遗传算法, 自适应最稀疏时频分析, 经验模态分解, 模态混淆, 转子碰摩

Abstract:

To solve the choice of initial phase function, ASTFA method was proposed herein based on GA. The initial phase function of ASTFA was optimized by GA. The ability of avoiding mode mixing was studied. The analysis shows that the GA-ASTFA method has the ability of avoiding mode mixing and can suppress the pseudo components. And the component's accuracy decomposed via GA-ASTFA is better. Finally, the GA-ASTFA was applied to rub-impact fault diagnosis in rotor systems. Experimental analyses show that the GA-ASTFA method can extract the fault feature information effectively.

Key words: genetic algorithm(GA), adaptive and sparsest time-frequency analysis(ASTFA), empirical mode decomposition(EMD), mode mixing, rub-impact fault

中图分类号:

李宝庆, 程军圣, 吴占涛, 彭延峰. 基于GA的自适应最稀疏时频分析方法及应用[J]. 中国机械工程, 2016, 27(01): 66-72.

Li Baoqing, Cheng Junsheng, Wu Zhantao, Peng Yanfeng. Adaptive and Sparsest Time-frequency Analysis Method Based on Genetic Algorithm and Its Applications[J]. China Mechanical Engineering, 2016, 27(01): 66-72.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/

http://www.cmemo.org.cn/CN/Y2016/V27/I01/66

参考文献

[1]胡茑庆.转子碰摩非线性行为与故障辨识的研究[D].长沙：国防科技大学，2001.
[2]程军圣，于德介，杨宇. EMD方法在转子局部碰摩故障诊断中的应用[J]. 振动、测试与诊断，2006，26(1)：24-27.
Cheng Junsheng，Yu Dejie，Yang Yu. Application of EMD to Local Rub-impact Fault Diagnosis in Rotor Systems[J]. Journal of Vibration, Measurement & Diagnosis，2006，26(1)：24-27.
[3]Huang N E，Shen Z，Long S R.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proceedings of the Royal Society A，1998，454：903-995.
[4]高云超，桑恩方，许继友. 分离EMD中混叠模态的新方法[J]. 哈尔滨工程大学学报，2008，29(9)：963-966.
Gao Yunchao，Sang Enfang，Xu Jiyou. A New Method for Separating Mixed Modes in Empirical Mode Decomposition[J]. Journal of Harbin Engineering University，2008，29(9)：963-966.
[5]Wu Z，Huang N E. Ensemble Empirical Mode Decomposition：a Noise Assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis，2009，1(1)：1-41.
[6]Chu P C，Fan C，Huang N E. Compact Empirical Mode Decomposition：An Algorithm to Reduce Mode Mixing，End Effect，and Detrend Uncertainty[J]. Advances in Adaptive Data Analysis，2012，4(3)：1-18.
[7]郑近德，程军圣，曾鸣，等. 基于伪极值点假设的经验模态分解及其在转子故障诊断中的应用[J]. 中国机械工程，2014，25(18)：2467-2472.
Zheng Jinde，Cheng Junsheng，Zeng Ming，et al. Pseudo-extrema Based EMD and Its Application to Rotor Fault Diagnosis[J]. China Mechanical Engineering，2014，25(18)：2467-2472.
[8]杨宇，曾鸣，程军圣. 局部特征尺度分解方法及其分解能力研究[J]. 振动工程学报，2012，25(5)：602-609.
Yang Yu，Zeng Ming，Cheng Junsheng. Research on Local Characteristic-scale Decomposition and Its Capacities[J]. Journal of Vibration Engineering，2012，25(5)：602-609.
[9]Rilling G，Flandrin P. One or Two Frequencies? The Empirical Mode Decomposition Answers[J]. IEEE Trans. Signal Processing，2008，56(1)：85-95.
[10]Hou T Y，Shi Z Q. Adaptive Data Analysis via Sparse Time-frequency Representation[J]. Advances in Adaptive Data Analysis，2011，3(1/2)：1-28.
[11]Hou T Y，Shi Z Q. Data-driven Time-frequency Analysis[J]. Applied and Computational Harmonic Analysis，2013，35(2)：284-308.
[12]Hou T Y，Shi Z Q，Peyman T. Convergence of a Data-driven Time-frequency Analysis Method[J]. Applied and Computational Harmonic Analysis，2014，37(2)：235-270.
[13]David M，Alessandro C，James T，et al. Compressed Sensing Techniques for Detecting Damage in Structures[J]. Structural Health Monitoring，2013，12(4)：325-338.

[1]	孙永国, 金欣, 薛冬, 单建平, 石晓春. 基于NSGA-Ⅱ的滑油泵叶轮结构优化设计[J]. 中国机械工程, 2024, 35(03): 559-569.
[2]	李光保, 高栋, 路勇, 平昊, 周愿愿. 自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿[J]. 中国机械工程, 2023, 34(20): 2456-2465.
[3]	李大柱, 牛江, 梁树林, 池茂儒. 时频能量谱与 VGG16结合的车轮扁疤损伤程度估计方法[J]. 中国机械工程, 2023, 34(16): 1907-1914.
[4]	钱门贵, 陈涛, 于耀翔, 郭亮, 高宏力, 李威霖, . 一种改进基尼指数加权的轴承健康指标构建方法[J]. 中国机械工程, 2023, 34(15): 1813-1819，1855.
[5]	屈力刚, 苏岩, 邢宇飞. 基于SHO-NSGA混合算法的飞机油舱管路自动布局方法[J]. 中国机械工程, 2023, 34(15): 1864-1872.
[6]	郑堃, 练志伟, 顾新艳, 朱长建, 徐慧, 冯雪晴. 采用改进两点交叉算子的改进自适应遗传算法求解不相关并行机混合流水车间调度问题[J]. 中国机械工程, 2023, 34(14): 1647-1658，1671.
[7]	彭翔, 江浩浩, 郭玉良, 李吉泉, 易兵, 姜少飞, . 机翼蒙皮铺层顺序和材料布局协同优化[J]. 中国机械工程, 2023, 34(12): 1415-1424,1435.
[8]	张洪亮, 徐公杰, 鲍蔷, 潘瑞林. 考虑运输时间的分布式柔性作业车间绿色调度[J]. 中国机械工程, 2022, 33(21): 2554-2563,2645.
[9]	姜一啸, 吉卫喜, 何鑫, 苏璇. 基于改进非支配排序遗传算法的多目标柔性作业车间低碳调度[J]. 中国机械工程, 2022, 33(21): 2564-2577.
[10]	王东杰, 王鹏江, 李悦, 郭明泽, 郑伟雄, 沈阳, 吴淼. 掘进机截割臂自适应截割控制策略研究[J]. 中国机械工程, 2022, 33(20): 2492-2501.
[11]	邹喜红, 凌龙, 陈静, 王超, 苟林林, 蒋明聪, 袁冬梅. 用户关联的驱动桥试验场耐久性试验规范研究[J]. 中国机械工程, 2022, 33(14): 1670-1679.
[12]	章新, 睢志伟, 李占龙, 秦园, 王瑶, 董荻, 赵钧铎. 装载机驾驶室非线性减振系统试验与优化[J]. 中国机械工程, 2022, 33(13): 1529-1536.
[13]	张家骅, 李爱平, 刘雪梅. 行驶时间区间不确定的装配线物料配送路径规划[J]. 中国机械工程, 2021, 32(18): 2239-2246.
[14]	郭俊超, 甄冬, 孟召宗, 师占群, 谷丰收. 基于WAEEMD和MSB的滚动轴承故障特征提取[J]. 中国机械工程, 2021, 32(15): 1793-1800.
[15]	张峰峰, 张欣, 陈龙, 孙立宁, 詹蔚. 采用改进遗传算法优化神经网络的双目相机标定[J]. 中国机械工程, 2021, 32(12): 1423-1431.