基于IMF分量的配网小电流接地系统高阻接地故障诊断

常规的高阻接地故障诊断方法以零序电压行波信号监测为主,受到过渡电阻的影响,电压信号不稳定,影响故障诊断的准确性。因此,设计了基于IMF分量的配网小电流接地系统高阻接地故障诊断方法。提取配网小电流接地系统高阻接地故障特征,描述等效接地电阻升高引起的故障电流幅值特征、电弧性特征,确保后续故障诊断的准确性。基于IMF分量构建接地系统高阻接地故障诊断模型,将接地系统高阻接地故障信号分为多个IMF分量,求取故障诊断交替方向的最优解,从而实现接地故障的精准诊断。采用仿真实验,验证了该方法的故障诊断准确性更高,能够应用于实际生活中。

IMF分量的倒频谱分析在滚动轴承故障诊断中的应用

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖,影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法,首先将复杂的信号分解为有限的内禀模态函数(IMF)之和,对原始振动信号进行降维;再对IMF分量进行倒频谱分析,利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析,可以相互验证,从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较,结果表明,IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。

基于最优IMF分量和KSVD的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与KSVD字典学习相结合的轴承故障特征提取方法。首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后,利用KSVD字典学习方法训练出字典库,通过正交匹配追踪算法(OMP)对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统KSVD字典学习方法,该方法得到的稀疏信号信噪比(SNR)更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。

基于维纳滤波的风电机组齿轮箱轴承故障诊断

存在轴承故障时,风电机组齿轮箱振动信号的幅度与频率都会发生明显改变,通过信号变化行为的测量能够判定出具体的轴承故障等级。为实现对轴承故障的准确判定,设计基于维纳滤波的风电机组齿轮箱轴承故障等级判定方法。通过获取轴承振动波的IMF分量,并完善维纳滤波算法,在此基础上,处理故障数据,实现基于维纳滤波的轴承故障特征提取。定义轴承故障特征的伪四阶矩,通过求解特征角度的方式,确定故障等级基准的判定范围,完成基于维纳滤波的风电机组齿轮箱轴承故障等级判定方法的设计。实验结果表明,利用上述方法,能够根据幅度和频率的变化行为,判定风电机组齿轮箱轴承的故障等级,符合实际应用需求。

环境激励下基于经验模式分解的结构模态参数识别方法

识别结构模态参数是结构健康监测和振动控制等研究及工程实践中的一个重要环节,同时也是前提和难点所在。提出基于经验模式分解(EMD)的环境激励结构模态参数识别的STD法、复指数法与ARMA法。3种方法采用EMD将结构环境振动响应原始信号分解成若干个基本模式分量(IMF),使每一个基本模式分量仅为结构的某一阶固有模态,采用相关系数法结合频谱分析挑选出真实IMF,进而分别用STD法、复指数法与ARMA法进行模态参数识别。四层钢框架模型环境振动试验分析结果表明,3种方法能有效地避免结构各阶模态之间的相互影响,能够更清晰更方便得到结构模态参数。采用基于奇异值差分谱进行去噪处理,使得识别结果更加准确。

基于经验模式分解的随机子空间识别方法

提出了基于经验模式分解(EMD)的环境激励结构模态参数随机子空间识别(SSI)方法。该方法用设置间断频率的EMD将结构环境振动响应原始信号分解成若干个基本模式分量(IMF),使每一个基本模式分量仅为结构的某一阶固有模态,进而用随机子空间方法进行模态参数识别。实桥环境振动实验分析结果表明,该方法能有效地避免结构各阶模态之间的相互影响,能够更清晰方便地得到结构的模态参数。

经验模式分解(EMD)及其应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应非线性时变信号分解方法,可以把数据分解成具有物理意义的少数几个模式函数分量.本文总结归纳了一维EMD、二维EMD方面的主要工作,比较了不同方法存在的优点与不足,指出了EMD研究存在的难题和瓶颈,并给出了EMD研究与应用的发展趋势.

多分量到单分量可用EMD分解的条件及判据

基于数据时域局部特征的EMD分解算法可把复杂的数据分解成有限、少量几个内蕴模式函数分量,是一种数据驱动的自适应时频分析方法．文中将Huang的EMD分解定性为从多分量信号到单分量信号的分解算法,并给出了多分量到单分量可用EMD分解的条件,而且通过建立二级极值点结构,给出了从多分量到单分量用EMD分解的极值点判断准则．通过大量实验,验证了可分解条件及判据的合理性．

应用经验模式分解法处理超声无损检测信号

超声无损检测一直是无损检测领域研究的热点,由于材料内部组织结构的复杂性,超声回波信号中往往存在着大量的噪声干扰。引入一种新的处理非线性、非平稳信号的经验模式分解法(EMD)来处理超声检测信号。该方法把检测信号分解若干个内在模式分量(IMF),突出了信号的局部特征。结果表明,EMD方法能有效抑制干扰,对于360mm深的缺陷试样,缺陷定位精度达1mm。

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。

多分量神经网络自回归模型及其工程应用

提出了基于局域波的多分量神经网络自回归模型 ,用于对非线性动态系统时间序列进行建模。首先通过局域波法对分析的原始时间序列进行分解 ,使之成为不同尺度的基本模式分量 ,然后用多层神经网络对每个基本模式分量分别进行时间序列预测。最后 ,所有分量的预测值通过另一个单层线性神经网络进行重构 ,作为原始时间序列的预测值。并把该方法用于转子故障诊断。实验数据表明 ,这种结构用于故障诊断 ,性能优于传统的分析方法。

基于加权滤波经验模式分解的遥感图像融合

加权滤波经验模式分解(weighted filter empirical mode decomposition,WFEMD)作为一种新的多尺度、多分辨率分析方法,与小波、超小波和现有二维经验模式分解方法相比,更加适合于二维图像中的细节特征分析。该方法运用自适应加权滤波器直接求取均值面,解决了传统二维经验模式分解(empirical mode decomposition,EMD)方法的固有缺陷;将WFEMD方法引入遥感图像融合,能够更好地提取原始图像的特征,为图像融合提供更多的信息。鉴于此,提出了一种基于WFEMD变换的图像融合方法。首先,利用WFEMD的自适应性、多尺度性和高频细节信息的强获取能力,将待融合的图像分别进行WFEMD分解,对不同图像的内涵模式分量(intrinsic mode functions,IMF)按照该文提出的细节/背景原则进行融合,剩余分量按照平均原则进行融合。最后,将融合后的内涵模式分量重构,获取融合图像。实验证明,该方法的融合效果优于其他图像融合方法。

基于IMF灵敏度分析的柴油机振动源影响规律

为了确定柴油机供油参数对振动源的影响,提出了振动信号IMF分量灵敏度分析方法.结合试验手段与信号处理技术,在IMF分量灵敏度理论分析的基础上建立了IMF分量灵敏度分析流程及计算模型,并采用该模型对模拟仿真信号与缸盖振动信号进行了计算分析.分析结果表明,模拟仿真信号验证了IMF分量灵敏度计算分析的有效性,同时,IMF分量的灵敏度分析能够有效识别与供油压力密切相关的振动源,从而实现了供油压力的合理选择,为柴油机振动控制提供了参考依据.

基于多分量奇异熵的往复式压缩机故障分类

由于往复式机械振动信号的强烈非线性,对其进行特征提取较为困难.针对上述现象提出了一种计算信号多分量奇异熵的特征提取方法.通过局域波法提取出振动信号的各基本模式分量.利用非线性动力学相空间重构理论适当选择嵌入维数与延迟时间,计算出往复机振动信号各基本模式分量的奇异熵值,提取出故障信息,并经自适应神经模糊推理系统(ANF IS)对故障特征进行分类.结果表明全部分类正确,达到了故障诊断的目的.

基于优化变分模态分解和复杂度的农产品期货市场非线性特征研究

本文基于优化变分模态分解(GAVMD)与复杂度相结合的方法,对大连和郑州商品交易所近5年的农产品期货市场交易额进行非线性分析。首先对两交易所的农产品期货交易额进行GAEMD分解,对遗传算法(GA)对变分模态分解(VMD)的参数进行优化,自适应确定最优参数。其次,筛选出蕴含农产品期货市场交易信息最丰富的有效基本模式分量(IMF)分量,计算IMF的复杂度指标,再求得复杂度综合指标。结果表明,该方法可以对农产品期货市场交易额非线性特征进行评估,能够有效地定量识别不同交易所的农产品期货交易额非线性特征。

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法。该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取。城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断。

基于经验模式分解的直觉模糊网络故障诊断

针对平稳时间序列信号,提出一种基于EMD多模态分量特征提取和直觉模糊网络的故障诊断方法。该方法首先对原始信号进行EMD分解,经EMD分解获得基本模式分量(IMF),选择能量最大的几个IMF并转化为模糊特征向量,对机器故障进行诊断,然后将模糊特征向量输入到直觉模糊网络中,实现对机器工作状态及不同故障类型的识别,该方法应用于柴油机振动信号的故障诊断,实验结果证明了其可行性和有效性。

基于本征模态函数分量能量比的高速铁路钢轨波磨声学诊断方法

为了解决高速铁路钢轨波磨的快速检测问题,提出通过运营动车组车下声信号进行声学诊断的方法。该方法针对钢轨波磨声信号的低信噪比且易被掩蔽的特点,首先通过集成经验模态分解(EEMD)从高频到低频把含有严重噪声的初始信号分解为具有不同模态的子信号即本征模态函数(IMF)分量。根据IMF分量的能量比畸变特征筛选得到钢轨波磨区段对应的IMF分量,然后进行Hilbert变换得到时频域特征,从而实现对钢轨波磨区段的识别。经在一高速铁路2个典型路基区段进行现场验证,采用该方法可将钢轨粗糙度等级22.8 dB(幅值13.8μm)的钢轨波磨初期区段识别出来,且声学诊断识别出的瞬时峰值频率与由现场实测结果推算出的理论声学特征频率仅相差3.3%,准确度较高。

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。