基于WPES与MEEMD的船用主机振动研究

为揭示船用长冲程低速柴油机健康状态下的振动特征,采用小波包能量谱(Wavelet Packet Energy Spectrum, WPES)和改进的总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)结合的特征提取方法,对典型推进工况下低速机的表面振动信号进行3层小波包分解和重构。通过对能量占比较大的节点采用MEEMD方法进行分解,获得IMF1分量频谱。研究结果表明,在40%以下的较低发动机负荷时,各单次燃烧循环的振动波动较小,振动幅值基本一致。提升至50%以上发动机负荷时,燃烧引起振动波动明显增强。50%工况下,中高频能量占总能量的41.51%,为主要振动源。

基于MEEMD的内燃机机体活塞敲击激励与燃烧爆发激励分离研究

提出了一种改进的集总平均经验模态分解(MEEMD)方法,并阐述了其实现过程。通过仿真实验,验证了MEEMD是一种更为优秀的自适应信号分解方法,不仅抑制了经验模态分解(EMD)的模态混叠问题,而且消除了集总平均经验模态分解(EEMD)中的非标准IMF分量、模态分裂和白噪声残余等问题。将MEEMD应用到内燃机振声信号处理中,以某柴油机为研究对象,对其机体上的振动信号进行MEEMD分解,分离其中的活塞敲击引起的机械激励成分与燃烧爆发激励成分,诊断主要振动源。

基于MEEMD-多尺度分形盒维数和ELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷(充填率、料球比)靠经验难以准确判断的问题,提出基于改进的集总平均经验模态分解算法(modified ensemble empirical mode decomposition, MEEMD)-多尺度分形盒维数盒和极限学习机(extreme learning machine,ELM)的负荷识别方法。该方法首先利用MEEMD算法对不同负荷状态下的磨音信号进行分解得到本征模态分量,然后,采用相关系数法选取敏感模态分量进行重构得到降噪后信号;通过分析重构信号的多尺度分形盒维数,结果表明,欠负荷、正常负荷和过负荷状态下的多尺度分形盒维数存在明显的差异,能够很好地区分磨机的不同负荷状态。将重构磨音信号的多尺度分形盒维数作为极限学习机(ELM)的输入,磨机负荷状态为输出,建立磨机负荷识别模型;通过磨矿实验验证了该方法的有效性,整体识别率高达94.8%,模型能够准确识别磨机负荷状态。

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。

基于改进MEEMD与DE-OSELM的滚动轴承故障诊断方法

针对现场采集的信号因混有噪声而使故障特征提取困难的问题,基于奇异值分解(SVD)、改进的集合经验模态分解(MEEMD)、差分进化算法(DE)、在线贯序极限学习机(OSELM),提出了一种基于改进MEEMD与DE-OSELM的滚动轴承故障诊断方法.首先进行MEEMD分解,对MEEMD算法中经排列熵筛选出的异常IMF分量进行SVD降噪,与剩余信号重构后直接进行EMD分解;其次提取各IMF分量的能量作为特征构造特征集;最后将获得的特征集作为DE-OSELM的输入进行训练并识别故障类型.对实际4种不同健康状态的滚动轴承样本进行分类识别,并与常用分类方法进行比较.结果表明:该方法具有更高的准确率,可以更有效地实现故障诊断.

基于MEEMD-LSSVM的风电功率超短期预测研究

针对风能的波动性和间歇性,提出了一种基于改善集成经验模式分解(MEEMD)和最小二乘支持向量机(LSSVM)的风电功率超短期预测方法,首先利用MEEMD将功率序列根据频率高低分解为特征不同的本征模态分量(IMF),然后计算各IMF的样本熵,合并熵值相似的IMF分量.对合并之后的各IMF分量分别进行LSSVM子模型建模,最后将各分量建模结果叠加得到功率预测曲线.基于大连风电场现场数据的检验结果说明,该方法预测精度较高且运算时间合理,适用于工程上风电功率的预测.

MEEMD-Elman神经网络的电离层TEC预报模型

利用IGS中心提供的不同纬度的电离层TEC值,建立基于改进的集总平均经验模态分解(MEEMD)算法和Elman回归神经网络(ERNN)模型相结合的电离层TEC预报模型。实验结果表明,在低、中、高不同纬度采用本文方法预报5d电离层TEC的预测值的均方根误差最优可达到0.96TECu,相对精度最优达到95.4%,精度较EMD-ERNN模型及单一ERNN模型有显著提高。

基于MEEMD与ICA的污泥回流泵故障诊断

针对污泥回流泵故障分析时常见的信号干扰,提出使用改进的集成经验模态分解(MEEMD)与ICA方法来进行故障诊断与分析。将振动信号进行MEEMD,得出一系列的IMF分量,通过计算各分量与原始信号的互相关系数,选出对应的分量重构,并与原始信号组成矩阵进行ICA计算,选取出符合条件的ICA成分进行频谱分析。通过对比MEEMD与ICA方法处理前后的正常运行和故障运行的特征频率,对污泥回流泵进行故障分析和诊断。实验结果表明:经过MEEMD与ICA方法处理后可以降低噪声的影响,有效进行故障诊断。

基于MEEMD和峭度-相关系数电机轴承故障诊断

针对异步电机轴承故障诊断特征提取问题,采用了一种基于改进的集总平均经验模态分解(MEEMD)与峭度-相关系数联合分析的电机轴承故障诊断方法。先对所采集到的电机振动信号进行MEEMD分解得到数个IMF分量及余量,分别计算出各IMF分量与原始信号的相关系数值和对应的峭度值做为重构信号的参考依据。通过峭度-相关系数联合分析得出含有故障特征信息的有效分量做信号重构,对重构后的信号进行谱峭度分析做带通滤波最终得到所需的平方包络谱。最后通过包络分析得出故障特征频率,并与理论轴承故障频率进行比较判断得出电机轴承故障类型,实验结果证明了该方法能准确判断出电机轴承故障类型。

基于MEEMD与相关分析的行星齿轮箱测点优化

机械传动设备行星齿轮箱极易发生故障,为了减少行星齿轮箱故障诊断中传感器的布置数量,进而降低成本。提出了一种基于改进的集成经验模态分解(MEEMD)信息熵与相关分析相结合的行星齿轮箱测点优化方法。首先,使用MEEMD算法分解5种工况的振动测试信号。其次,用分解出的各分量与原始数据之间的相关系数筛选出包含主要故障信息的IMF分量,并提取它们的信息熵特征,构造成样本特征向量。最后,控制同一工况不同测点以及同一测点不同工况的信息熵特征向量进行相关性分析。分析出相对冗杂多余的测点进行筛选剔除,达到测点优化的目标。

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。

MEEMD特征掌纹的2DPCA识别方法

为了提高识别率,提出了基于MEEMD和2DPCA的掌纹识别方法.利用MEEMD技术对掌纹图像进行分解,得到本征模式函数(IMF)分量,用高频分量重构掌纹图像,形成掌纹识别图像集.然后利用2DPCA技术进行识别.MEEMD重构掌纹能够突出掌纹细节特征,提高识别率.采用香港理工大学掌纹数据库进行实验,将此方法与不包含MEEMD的2DPCA方法进行比较,实验结果说明此方法有较高的识别率和较快的识别速度.

基于ME-MEEMD的构件残余应力检测研究

针对焊接钢板内部的残余应力,由于采集振动信号的非线性和非平稳性,采用希尔伯特-黄变换(HHT)对振动信号分析处理。在对得到的信号进行分析时,选择镜像延拓(ME)以及改进的集总平均经验模态分解(MEEMD)相结合的方式,目的是防止在经验模态分解时产生模态混叠以及端点效应等对最终的实验结果产生影响。求解出各阶固有模态函数的模态能量,与正常信号分析对比,从能量角度实现对构件残余应力的检测,得出信号能量与残余应力之间的关系。

高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型

为预测列车转向架蛇行失稳异常运动状态,提出一种改进的集总平均经验模态分解-最小二乘法支持向量机(MEEMD-LSSVM)的预测模型。以转向架正常、过渡、蛇行失稳3种状态下振动信号为研究对象,通过MEEMD对信号进行分解,再用Hilbert变换(HT)分析其时频能量特征,最后采用固有模态函数(IMF)的能量特征作为LSSVM的输入,通过识别过渡状态,预测列车蛇行失稳。试验表明,列车处于330~350km/h之间时,预测准确率为93.33%,并且MEEMD-LSSVM方法准确率和计算耗时优于EEMD-SVM方法,证明该预测模型的有效性和快速性。

基于MEEMD的滚动轴承故障诊断方法

提出了一种改进的集总平均经验模式分解(MEEMD)滚动轴承的故障提取方法。对采集得到的振动信号进行MEEMD分解,获得不同频率的本征模式函数(IMF);对各个本征模式函数进行包络谱分析;最后通过包络谱特性反映出来的频谱信息诊断出轴承故障。滚动轴承内外圈故障仿真和实验研究表明:MEEMD方法能有效地应用于轴承的故障诊断。

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(modified ensemble empirical mode decomposition,MEEMD)香农熵—最小二乘法支持向量机(least squares support vector machine,LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330~350 km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(intrinsic mode function,IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。

基于MEEMD-Prony联合算法的电力系统低频振荡模态辨识

长距离、重负荷输电线路经常因为低频振荡问题引发运行事故.针对噪声干扰导致的低频振荡信号模态辨识困难问题,提出一种基于MEEMD-Prony联合算法的辨识方案.利用MEEMD算法对非线性和非平稳随机信号滤波后得到主导振荡模式的模态函数,并利用Prony算法对信号进行拟合和识别.为验证本方案的效果,分别利用Prony算法、EMD-Prony和本算法对加入的低频振荡噪声信号进行了实验验证,实验结果表明,文中提出的基于MEEMD-Prony联合算法方案明显优于传统算法,可用于实际的低频振荡信号模态识别.

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。

基于MEEMD与概率神经网络的贯通式同相牵引直接供电系统故障识别

针对贯通式同相牵引直接供电系统可能发生的雷击故障、雷击干扰和接地故障3种扰动进行建模分析和识别研究。在牵引网仿真模型的基础上,通过实验得到3种扰动的暂态特征。根据以上故障提出了改进总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)与概率神经网络(Probabilistic Neural Network,PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(Intrinsic Mode Function,IMF),分别用样本熵和排列熵提取IMFs分量特征,结合PNN进行故障识别,通过实验看出,基于MEEMD排列熵与PNN结合的智能识别方法能较好地识别牵引网的3种故障。