Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Variational Mode Decomposition" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    VMD and CNN-Based Classification Model for Infrasound Signal
    Autorzy:
    Lu, Quanbo
    Li, Mei
    Powiązania:
    https://bibliotekanauki.pl/articles/31339812.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    infrasound signal
    variational mode decomposition
    convolutional neural network
    Fast Fourier Transform
    Opis:
    Infrasound signal classification is vital in geological hazard monitoring systems. The traditional classification approach extracts the features and classifies the infrasound events. However, due to the manual feature extraction, its classification performance is not satisfactory. To deal with this problem, this paper presents a classification model based on variational mode decomposition (VMD) and convolutional neural network (CNN). Firstly, the infrasound signal is processed by VMD to eliminate the noise. Then fast Fourier transform (FFT) is applied to convert the reconstructed signal into a frequency domain image. Finally, a CNN model is established to automatically extract the features and classify the infrasound signals. The experimental results show that the classification accuracy of the proposed classification model is higher than the other model by nearly 5%. Therefore, the proposed approach has excellent robustness under noisy environments and huge potential in geophysical monitoring.
    Źródło:
    Archives of Acoustics; 2023, 48, 3; 403-412
    0137-5075
    Pojawia się w:
    Archives of Acoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fault diagnosis model of rolling bearing based on parameter adaptive VMD algorithm and Sparrow Search Algorithm-Based PNN
    Autorzy:
    Li, Junxing
    Liu, Zhiwei
    Qiu, Ming
    Niu, Kaicen
    Powiązania:
    https://bibliotekanauki.pl/articles/24200836.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    rolling bearing
    failure diagnosis
    adaptive variational mode decomposition
    sparrow probabilistic neural network
    Opis:
    Fault diagnosis of rolling bearings is essential to ensure the proper functioning of the entire machinery and equipment. Variational mode decomposition (VMD) and neural networks have gained widespread attention in the field of bearing fault diagnosis due to their powerful feature extraction and feature learning capacity. However, past methods usually utilize experiential knowledge to determine the key parameters in the VMD and neural networks, such as the penalty factor, the smooth factor, and so on, so that generates a poor diagnostic result. To address this problem, an Adaptive Variational Mode Decomposition (AVMD) is proposed to obtain better features to construct the fault feature matrix and Sparrow probabilistic neural network (SPNN) is constructed for rolling bearing fault diagnosis. Firstly, the unknown parameters of VMD are estimated by using the genetic algorithm (GA), then the suitable features such as kurtosis and singular value entropy are extracted by automatically adjusting the parameters of VMD. Furthermore, a probabilistic neural network (PNN) is used for bearing fault diagnosis. Meanwhile, embedding the sparrow search algorithm (SSA) into PNN to obtain the optimal smoothing factor. Finally, the proposed method is tested and evaluated on a public bearing dataset and bearing tests. The results demonstrate that the proposed method can extract suitable features and achieve high diagnostic accuracy.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 2; art. no. 163547
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Defect recognition of buried pipeline based on approximate entropy and variational mode decomposition
    Autorzy:
    Ju, Haiyang
    Wang, Xinhua
    Zhang, Tao
    Zhao, Yizhen
    Ullah, Zia
    Powiązania:
    https://bibliotekanauki.pl/articles/221572.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Buried Pipeline
    Defect Recognition
    Geomagnetic Anomaly Detection
    Variational Mode Decomposition
    Approximate Entropy
    Opis:
    The study aimed to examine the use of Geomagnetic Anomaly Detection (GAD) to locate the buried ferromagnetic pipeline defects without exposing them. However, the accuracy of GAD is limited by the background noise. In the present work, we propose an approximate entropy noise suppression (AENS) method based on Variational Mode Decomposition (VMD) for detection of pipeline defects. The proposed method is capable of reconstructing the magnetic field signals and extracting weak anomaly signals that are submerged in the background noise, which was employed to construct an effective detector of anomalous signals. The internal parameters of VMD were optimized by the Scale–Space algorithm, and their anti-noise performance was compared. The results show that the proposed method can remove the background noise in high-noise background geomagnetic field environments. Experiments were carried out in our laboratory and evaluation results of inspection data were analysed; the feasibility of GAD is validated when used in the application to detection of buried pipeline defects.
    Źródło:
    Metrology and Measurement Systems; 2019, 26, 4; 739-755
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Study on transformer fault diagnosis technology of VMD local signal de-noising based on kurtosis - approximate entropy
    Autorzy:
    Chen, Dingke
    Mao, Changbin
    Qin, Bin
    Powiązania:
    https://bibliotekanauki.pl/articles/328591.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    transformer
    kurtosis
    approximate entropy
    variational mode decomposition
    VMD
    transformator
    diagnostyka uszkodzeń
    kurtoza
    entropia
    niezawodność
    Opis:
    With the needs of social development, the scale of power equipment continues to expand. Among them, the transformer, as the core equipment in the power system, plays a key role in the safe and stable operation of the power system. However, in the field where the field strength is too high, partial breakdown of insulating media, that is the partial discharge occurs, which brings certain threats and damage to the safe operation of the power system. Therefore, this article uses the kurtosis-approximate entropy variational mode decomposition (VMD) partial discharge signal denoising method is used to preprocess the UHF partial discharge signal, through the simulation analysis and the result comparison, the feasibility of the method for denoising the partial signal of the transformer is clarified, designed to improve the safety and reliability of transformer operation.
    Źródło:
    Diagnostyka; 2020, 21, 1; 81-87
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions
    Autorzy:
    Zheng, Guoxiao
    Sun, Weifang
    Zhang, Hao
    Zhou, Yuqing
    Gao, Chen
    Powiązania:
    https://bibliotekanauki.pl/articles/2038054.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    tool wear condition monitoring
    empirical mode decomposition
    variational mode decomposition
    fourier synchro squeezed transform
    neighborhood component analysis
    long short-term memory network
    Opis:
    Tool wear condition monitoring (TCM) is essential for milling process to ensure the machining quality, and the long short-term memory network (LSTM) is a good choice for predicting tool wear value. However, the robustness of LSTM- based method is poor when cutting condition changes. A novel method based on data fusion enhanced LSTM is proposed to estimate tool wear value under different cutting conditions. Firstly, vibration time series signal collected from milling process are transformed to feature space through empirical mode decomposition, variational mode decomposition and fourier synchro squeezed transform. And then few feature series are selected by neighborhood component analysis to reduce dimension of the signal features. Finally, these selected feature series are input to train the bidirectional LSTM network and estimate tool wear value. Applications of the proposed method to milling TCM experiments demonstrate it outperforms significantly SVR- based and RNN- based methods under different cutting conditions.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 612-618
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Compound fault detection in gearbox based on time synchronous resample and adaptive variational mode decomposition
    Wykrywanie złożonych błędów przekładni na podstawie synchronicznego próbkowania wtórnego oraz adaptacyjnej metody wariacyjnej dekompozycji modalnej
    Autorzy:
    Zhang, Xin
    Zhao, Jianmin
    Powiązania:
    https://bibliotekanauki.pl/articles/301230.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    compound fault
    gearbox
    time synchronous resample
    adaptive variational mode decomposition
    błąd złożony
    przekładnia
    synchroniczne próbkowanie wtórne
    adaptacyjna metoda wariacyjnej dekompozycji modalnej
    Opis:
    Compound fault detection of gearboxes is an ambitious matter considering its interconnection and complication. An innovative means for compound fault detection based on time synchronous resample (TSR) and adaptive variational mode decomposition (AVMD) is put forward in this work. TSR used in the method can enhance fault signals of synchronous shaft gears by eliminating signal components independent of synchronous shaft. Therefore, the TSR is used to separate the synchronous shaft signal corresponding to the gear fault from the raw compound fault signal. Then a series of mode components are obtained by decomposing the synchronous shaft signals of all faults by AVMD. The variational mode decomposition (VMD) can overcome the mode aliasing problem of empirical mode decomposition (EMD), but the decomposition effect of VMD is affected by its parameter setting. Thus, the paper proposes an AVMD algorithm based on whale optimization algorithm (WOA). In the AVMD, the WOA is used to optimizes the parameters of the VMD. After AVMD decomposition, the correlated kurtosis of the mode components obtained by AVMD decomposition is calculated. Then the mode components with the maximum correlated kurtosis are selected to carry out envelope analysis. Finally, the compound fault feature can be found from the envelope spectrum to get the diagnosis results. In order to test the validity of the proposed method, a compound fault experiment is implemented in a gearbox. Through the analysis of the experimental data, it is proved that the method shows a good performance in the compound fault detection of gearbox.
    Wykrywanie złożonych błędów przekładni stanowi trudne zagadnienie ze względu na ich skomplikowany charakter i powiązania wewnętrzne. W pracy zaproponowano nowatorską metodę wykrywania błędów złożonych opartą na synchronicznym próbkowaniu wtórnym (TSR) oraz adaptacyjnej metodzie wariacyjnej dekompozycji modalnej (AVMD). TSR pozwala wzmacniać sygnały błędów występujących w synchronicznych przekładniach walcowych, dzięki eliminacji składowych sygnału niezwiązanych z działaniem wału synchronicznego. Dlatego też w przedstawionych badaniach, TSR wykorzystano do wyodrębnienia sygnału wału synchronicznego odpowiadającego błędowi przekładni, z surowego sygnału błędu złożonego. Następnie wszystkie sygnały błędu wału synchronicznego poddano dekompozycji za pomocą AVMD, dzięki czemu otrzymano szereg składowych modalnych. Wariacyjna dekompozycja modalna (VMD) pozwala uniknąć problemu aliasingu, który występuje w przypadku empirycznej dekompozycji modalnej (EMD), przy czym efekt dekompozycji zależy od ustawień parametrów. Dlatego w artykule zaproponowano adaptacyjny algorytm VMD oparty na algorytmie optymalizacji wielorybów (WOA), który optymalizuje parametry VMD. Następnym krokiem po dekompozycji AVMD, było obliczenie skorelowanej kurtozy składowych modalnych otrzymanych na drodze tej dekompozycji. Składniki modalne o najwyższych wartościach skorelowanej kurtozy wykorzystano do przeprowadzenia analizy obwiedni. Błąd złożony wykrywano na podstawie widma obwiedni. Skuteczność proponowanej metody sprawdzono przeprowadzając doświadczenie na przekładni, w której występował błąd złożony. Wyniki eksperymentu pokazują, że proponowane podejście stanowi skuteczną metodę wykrywania złożonych błędów.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 1; 161-169
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Early detection and localization of stator inter-turn short circuit faults based on variational mode decomposition and deep learning in induction motor
    Autorzy:
    Guedidi, Asma
    Laala, Widad
    Guettaf, Abderrazak
    Arif, Ali
    Powiązania:
    https://bibliotekanauki.pl/articles/27313828.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    convolutional neural networks
    CNNs
    deep learning
    short circuit fault diagnosis
    variational mode decomposition
    information map
    silnik indukcyjny
    konwolucyjne sieci neuronowe
    uczenie głębokie
    mapa informacyjna
    Opis:
    The existing diagnostic techniques for detecting inter-turn short circuits (ITSCs) in induction motors face two primary challenges. Firstly, they suffer from reduced sensitivity, often failing to detect ITSCs when only a few turns are short-circuited. Secondly, their reliability are compromised by load fluctuations, leading to false alarms even in the absence of actual faults. To address these issues, a novel intelligent approach to diagnose ITSC fault is proposed. Indeed, this method encompasses three core components: a novel multi-sensor fusion technique, a knowledge map, and enhanced Convolutional Neural Networks (CNNs). First, the raw data collected from multiple sensors undergoes a transformation into 2D data using a novel image transformation based on Hilbert transform (HT) and variational mode decomposition (VMD), which is concatenate to a novel information map including frequency fault information and rotational speed. Then, this 3D multi information image is used as input to an improvement CNN model that apply a transfer learning for an enhanced version of SqueezNet with incorporating a novel attention mechanism module to precisely identify fault features. Experimental results and performance comparisons demonstrate that the proposed model attains high performance surpassing other Deep Learning (DL) methods in terms of accuracy. In addition, the model has consistently demonstrated its ability to make precise predictions and accurately classify fault severity, even under different working conditions.
    Źródło:
    Diagnostyka; 2023, 24, 4; art. no. 2023401
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Research on communication emitter identification based on semi-supervised dimensionality reduction in complex electromagnetic environment
    Autorzy:
    Ge, Wei
    Qi, Lin
    Tong, Lin
    Zhu, Jun
    Zhang, Jing
    Zhao, Dongyang
    Li, Ke
    Powiązania:
    https://bibliotekanauki.pl/articles/27311449.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    communication emitter identification
    feature extraction
    dimensionality reduction
    VMD
    ESDA
    variational mode decomposition
    exponential semi-supervised discriminant analysis
    identyfikacja emitera komunikacyjnego
    ekstrakcja cech
    redukcja wymiarowości
    rozkład w trybie wariacyjnym
    analiza dyskryminacyjna wykładnicza półnadzorowana
    Opis:
    The individual identification of communication emitters is a process of identifying different emitters based on the radio frequency fingerprint features extracted from the received signals. Due to the inherent non-linearity of the emitter power amplifier, the fingerprints provide distinguishing features for emitter identification. In this study, approximate entropy is introduced into variational mode decomposition, whose features performed in each mode which is decomposed from the reconstructed signal are extracted while the local minimum removal method is used to filter out the noise mode to improve SNR. We proposed a semi-supervised dimensionality reduction method named exponential semi-supervised discriminant analysis in order to reduce the high-dimensional feature vectors of the signals, and LightGBM is applied to build a classifier for communication emitter identification. The experimental results show that the method performs better than the state-of-the-art individual communication emitter identification technology for the steady signal data set of radio stations with the same plant, batch and model.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2023, 71, 4; art. no. e145766
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies