Threshold variational mode decomposition cascade high concentrated time–frequency analysis algorithm

doi:10.1016/j.ymssp.2025.113337

Threshold variational mode decomposition cascade high concentrated time–frequency analysis algorithm

2025-09-13

0

PRE

AI

DOI：10.1016/j.ymssp.2025.113337

原文链接

原文求助

摘要

En 中文

为进一步提升时频分析（TFA）方法的聚集性能并准确捕捉时频（TF）谱异常，本文提出了一种基于阈值变分模态分解（TVMD）的级联高聚集TFA算法，即改进的基于阈值变分模态分解的局部最大同步挤压广义S变换（ILMSSGST）。LMSSGST方法结合了广义S变换（GST）的频率自适应性及局部最大同步挤压（LMSST）算法的迭代运算，实现了能量聚集更高的TF表示。随后，提出了TVMD算法，该算法能够自适应选择最优模态分解数量并实现信号去噪。通过将TVMD算法与LMSSGST算法相结合，可在保持高聚集性能的同时提升算法的抗噪性能。改进后的ILMSSGST集成了TVMD以实现自适应去噪和模态选择，并以GST作为LMSST的核心。其“改进”之处在于级联架构增强了TF聚集性和抗噪性，而非对LMSST本身进行修改。主要创新贡献包括：1）自适应TVMD实现自动最优模态选择；2）TVMD与LMSSGST的级联框架，同时增强聚集性和抗噪性；3）多指标验证TFA性能。为验证所提方法的有效性，分别对轴承故障的模拟信号和实验信号进行了测试。实验结果表明，ILMSSGST的聚集性能提升优于现有先进方法。ILMSSGST能够清晰描述振动信号的精确TF特征，为异常检测提供了有效的技术解决方案。

Threshold variational mode decomposition cascade high concentrated time–frequency analysis algorithm

摘要

期刊

机构

引用论文