自适应随机共振和DEMD的单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障振动信号信噪比(SNR)低,故障特征提取困难的问题,本文提出一种自适应随机共振和微分经验模态分解(DEMD)的早期故障诊断方法。首先对原信号进行预处理,设置压缩比进行变尺度处理;然后将SNR作为自适应度函数,利用粒子群(PSO)算法优化随机共振(SR)系统参数,将优化后参数及处理后的信号输入SR系统中;最后对系统输出的信号进行DEMD算法分解,对各分量进行频谱分析,选取含特征频率的分量合成进行包络分析,以提取故障特征信息。经仿真分析与工程实验表明,该方法能够较好地提取出单向阀的早期故障特征信息。

基于支持向量机和窗函数的DEMD端点效应抑制方法

在微分经验模式分解过程中,由于信号端点处极值点不确定,导致在样条曲线构造信号上下包络线的过程中产生端点效应,影响微分经验模式分解的质量。针对此问题,提出一种支持向量机延拓和窗函数相结合的方法来解决微分经验模式分解中的端点效应,通过采用支持向量机对信号两端进行数据延拓,再对延拓后的信号加特殊窗函数处理,减小延拓误差。通过仿真分析和滚动轴承故障诊断实例分析表明,该方法能较好地抑制微分经验模式分解的端点效应,提高信号分解的精度,得到准确的分析结果。

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。

基于DEMD和对称差分能量算子解调的滚动轴承故障诊断

针对机械故障振动信号多为调制信号的特点,为了更好地提取多分量调幅调频信号的幅值和频率信息,提出了基于微分的经验模式分解(DEMD)与对称差分能量算子相结合的解调方法。利用DEMD算法将原始振动信号进行分解,得到若干个单分量信号;对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算出包络谱。将该方法应用于仿真信号和滚动轴承故障信号的诊断,实验结果表明,该方法能有效地提取机械故障信号的故障特征,实现旋转机械故障诊断。

基于DEMD的视频分割方法及其在视频水印中的应用

提出一种基于方向经验模式分解(directional empirical mode decomposition,DEMD)的视频分割方法,并结合独立分量分析(independent component analysis)技术实现视频水印的嵌入.基于DEMD的视频分割方法除去视频帧中反映图像内光照分布与能量的最低频率固有模态函数(intrinsic mode function,IMF)分量,并选择一种简单有效的运动补偿方法,解决了传统基于直方图方法对光照突变、镜头内物体运动和镜头运动及拉伸的敏感问题,减少了镜头边界识别的误检率,在保证召回率不受影响的前提下提高了视频分割的精确度.使用这种视频分割方法与ICA结合,对分割出的每个视频段进行ICA分析得到一系列独立分量帧,以这些独立分量帧为载体,采用一种改进的基于小波域量化的图像水印技术嵌入水印,实现对视频加入水印的过程.实验结果表明,这种视频水印方法对各种水印攻击均有较好的鲁棒性,同基于传统直方图方法的视频水印方法相比较,对丢帧和持续时间不变减少帧数等攻击具有更好的鲁棒性.

基于DEMD能量熵的变压器绕组匝间短路故障诊断

针对变压器绕组轻微匝间短路故障,提出将基于微分的经验模式分解(Differential-based empirical mode decomposition,DEMD)和能量熵结合进行诊断的方法。对采集到的低压脉冲反射信号进行DEMD分解,得到信号按频率分配的本征模函数(Intrinsic mode function,IMF),提取IMF的能量特征,求得信号的能量熵,根据故障发生时DEMD能量熵的变化程度判定是否有匝间短路故障。Matlab仿真结果表明该方法诊断轻微匝间短路故障有较好的效果。

基于微分的经验模式方法在转子裂纹和碰摩故障诊断中的应用

介绍了基于微分的经验模式方法(DEMD),在Jeffcott裂纹转子模型和碰摩转子模型基础上,对裂纹和碰摩信号进行时间响应分析。结果表明,DEMD比传统的EMD方法呈现出更好的检测效果。研究工作为裂纹和碰摩转子故障诊断提供了一种工具。

基于优化求导经验模式分解法的谐波检测方法

为准确实时监测抑制电力系统谐波,提出优化求导经验模式分解(DEMD)算法的谐波电流检测法。该法将电流信号分解成内在模式函数(IMF),精确捕捉信号中非线性和不稳定的谐波分量;该法用端点的一阶导数为参数用埃尔米特多项式得到上下包络线,以此解决端点效应问题。使用该法设计了谐波检测器并进行仿真实验,结果表明:该法可精确地分解信号的基波和谐波分量,余量与原信号的趋势分量相关系数(CORR)为0.998,相对均方根误差(RRMSE)仅0.0191,抑制了端点效应;且该法能够实时跟踪检测非平稳信号,基波与原信号延时仅为4μs,满足有源电力滤波器(APF)需要。

一种改进的EMD目标跟踪方法

DEMD(Differential Earth Mover's Distance)跟踪算法采用归一化的EMD模型作为相似性函数,在推导相似性函数梯度时,假定颜色模型中某一区间权重发生改变时其他区间的权重等比例变化,这种假定在很多情况下并不合理。另外,DEMD算法沿着梯度方向以一个像素为步长进行迭代,收敛速度较慢。为了解决上述问题,提出了一种改进的EMD目标跟踪算法。该方法使用未归一化的EMD模型作为相似性函数,通过线性规划中的两阶段法求解EMD距离并推导出相应的均值漂移算法。实验表明,改进算法具有更好的跟踪性能而且收敛速度更快。

基于KPCA-LSSVM的单向阀故障诊断研究

针对高压隔膜泵单向阀的故障振动信号特征难以提取及诊断的问题,文中采用KPCA和LSSVM相结合的方法进行故障诊断研究。对单向阀各状态信号运用双稳SR方法和DEMD算法进行信号预处理,并利用K-L散度选择分解后的主分量进行时频域特征参数的提取以构建特征向量集。运用KPCA对向量集进行二次特征提取,并将提取的特征向量输入到LSSVM诊断系统中,以完成单向阀故障诊断及分类。经实验验证,该方法的故障诊断率可达到90%,能够较好的诊断出单向阀故障特征。

基于方向经验模式分解的纹理分类

提出一种纹理分类的新方法———基于方向经验模式分解的纹理分类。这个方法自适应地将图像分解为一个特定方向的IMF,然后分析IMF通过二维希尔伯特变换的方向频率和包络。对不同的自然纹理图像进行实验,并将结果与文献[1]的结果做比较。实验结果证明,本文方法的识别效果优于文献[1]。

爆破振动信号微分经验模态分解与经验模态分解对比分析

本文介绍了一种爆破振动信号处理方法——微分经验模态分解(DEMD),并结合多宝山铜矿选矿厂中碎车间基础爆破振动监测试验,与经验模态分解(EMD)进行对比分析爆破振动信号的频率筛分、混叠失真情况以及分解后信号的功率谱特性。结果显示:与EMD相比,DEMD有效地抑制了信号混叠失真现象,且从信号的功率谱变化特征得出DEMD将不同的优势频率分量提取出来,爆破振动信号频率筛分效果优越于EMD。

基于DWT和BEMD的图像水印嵌入算法

信息隐藏是信息安全的一个新的重要内容,数字水印技术是信息隐藏技术研究领域的重要分支。鲁棒性和隐藏性是数字水印技术的关键。本文提出了一种基于离散小波变换和二维经验模式分解的图像数字水印算法,在嵌入水印前把水印进行Arnold变换,把水印信息置乱,消除像素的空间相关性,从而提高了水印信息的安全性和鲁棒性。实验结果表明,该水印算法具有很强的不可见性和抗几何处理的鲁棒性,算法简单且易于实现,具有很高的实用价值。