基于鸡群优化变分模态分解的超低温振动传感器降噪方法研究

为解决超低温环境下振动传感器信号噪声干扰严重的问题，研究人员提出了一种基于鸡群优化算法(CSO)改进的变分模态分解(CSO-VMD)降噪方法。通过有限元仿真和超低温振动实验验证，该方法相比传统EMD和VMD方法，信噪比(SNR)分别提升33.35%和13%，显著提高了极端环境下振动监测数据的可靠性，为航天器健康监测提供了新技术支撑。

　　

在人类探索宇宙的航天活动中，极端环境如超低温、强磁场等对设备稳定性提出严峻挑战。其中，振动监测是评估航天器结构健康的关键手段，但现有传感器在液氮温区（-196℃）工作时，材料形变和热噪声会导致信号严重失真。更棘手的是，传统降噪方法如经验模态分解(EMD)和变分模态分解(VMD)会过度平滑信号特征，而手动调整VMD参数又效率低下。这一技术瓶颈直接制约着深空探测设备的可靠性评估。

针对这一难题，中北大学仪器科学与动态测试教育部重点实验室的研究团队开展了一项创新研究。他们设计了一种基于新型压电材料PZT-7A的超低温振动传感器，并首创性地将鸡群优化算法(Chicken Swarm Optimization, CSO)与VMD相结合，开发出CSO-VMD降噪方法。相关成果发表在《Sensors and Actuators A: Physical》上，为解决极端环境下的振动监测提供了新方案。

研究主要采用三项关键技术：首先通过有限元仿真预判传感器在超低温下的工作模态；其次利用液氮环境振动台获取实测信号；最后分别应用EMD、VMD和CSO-VMD处理数据，以信噪比(SNR=10log₁₀(P_signal/P_noise))和均方误差(MSE)作为评价指标。

【超低温振动传感器】章节显示，团队选用具有优异温度稳定性的PZT-7A压电材料，其居里点高达350℃，能在液氮环境中保持稳定输出。传感器结构通过有限元模态分析优化，确保一阶谐振频率避开常见机械振动频段。

【传感器工作模态仿真】部分证实，有限元模型准确预测了传感器在77K(-196℃)下的振动特性，仿真与实测频率误差小于5%，为后续信号处理奠定基础。

【实验结果分析】是研究核心：CSO-VMD在SNR指标上较EMD提升33.35%，较标准VMD提升13%，且MSE降低显著。这归因于CSO算法自动优化了VMD的关键参数——模态数K和惩罚因子α，使分解后的本征模态函数(IMF)更精准地分离噪声与有效信号。对比实验还发现，CSO在参数搜索效率上优于灰狼优化(GWO)等生物启发算法。

研究结论指出，CSO-VMD方法在保留信号瞬态特征方面具有独特优势，尤其适用于捕捉超低温环境下传感器的非线性响应。该技术不仅提升了振动监测数据的可信度，其算法框架还可拓展至其他极端环境信号处理领域。Daren An等作者强调，这项研究为未来月球基地、深空探测器等超低温场景的设备健康监测提供了可靠的技术支撑。

讨论部分进一步阐明，PZT-7A材料与CSO-VMD的组合具有工程普适性：前者解决了传感器在极端环境下的信号采集问题，后者攻克了信号处理的精度难题。这种"硬件-算法"协同创新的思路，为其他极端环境传感技术开发提供了重要参考。