基于灰狼优化算法GWO优化VMD,matlab源码

粒子群算法寻优，在限定条件下实现对群体变量的选择优化，以达到目标的最优值。

VMD-KLD、KLDS、JSD、L2、HD_HD_JSD_VMD-HD_l2_vmd

该算法为vmd算法 ，具有可确定的各个模态分量，可根据中心频率相近原则确定最佳阶说

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。

经验模态分解，vmd分解非线性信号，可以把信号分解成有用的数据，然后进行分解

最全VMD分子模拟资料整理，包括官方manual，vmd中文版，常用命令解释（Atomselect、mol、molinfo、measure等），vmd精华帖子整理（VMD常用命令举例）。

该方法是使用VMD生成data，但根据具体要求，需要再通过lammps手册对生成的data进行修改。

基于遗传算法优化多尺度排列熵参数，类似于粒子群算法优化参数

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.