针对VMD在实际工程中需要凭借人为经验设定本征模态分量(IMF)个数,提出了一种通过频谱极值点与自适应阈值之间的关系确定VMD中的最佳IMF数量的策略,称为自适应变分模态分解(Adaptive Variational Modal Decomposition,AVMD),并将其结合最小二乘支持向量机(LSSVM)用于滚动轴承故障诊断。首先利用AVMD对轴承信号分解获得多个IMF分量后根据峭度值将分量信号重构,然后提取重构信号的多尺度排列熵作为训练LSSVM的特征向量,最后用获得的诊断模型对未知的轴承故障进行分类。通过仿真分析及轴承信号的诊断结果表明,AVMD能够有效的将多频率组成的复杂信号分离成几个有效的IMF组合形式,且结合LSSVM的诊断模型具有较高的识别率。

将声发射技术应用于液膜密封端面状态监测时,声发射信号易受噪声影响、特征信号难以提取,为此提出一种基于奇异值分解和自适应变分模态分解(SVD-AVMD)的信号处理方法。该方法首先以奇异值分解消除信号中的随机强噪声影响,获取降噪信号,然后在不同模态数下对降噪信号作变分模态分解,并计算各模态分量与降噪信号之间的显著性水平,以显著性水平大于阈值作为分解的停止准则,最终达到获取最优模态分量的目的。结果表明:SVD-AVMD对各模态分量中心频率的捕捉能力以及对各模态分量的恢复效果均明显优于单纯的变分模态分解,能够滤除背景噪声的同时最大程度地保留有效信息;获得表征液膜密封端面状态的声发射信号,实现了对液膜密封端面状态的识别。