多维固有时间尺度分解算法

针对控制回路、机械系统实际运行数据复杂多变、非稳定、非线性、信号耦合性强等问题,提出了一种新的多维信号分解方法,多维固有时间尺度分解(MITD)。给出了算法步骤;对所提出的MITD进行一定程度优化,以达到更好的分解效果;对所提出算法进行仿真分析和工业实例分析,表明了MITD对多维数据分解的优越性。

基于改进固有时间尺度分解算法的实时次同步振荡监测方法

为解决大规模风力发电并网系统中频繁发生次同步振荡的问题,需要快速准确地识别和检测次同步振荡的方法。次同步振荡发生时具有时变性和不确定性等特征,这给振荡的实时监测带来了挑战,针对该问题,首先提出了基于引入代数估计法改进的固有时间尺度分解算法(intrinsic time-scale decomposition,ITD)的解决方案。该方法不需要任何先验信息,且其性能不受振荡频率构成的影响。其次,利用合成信号、电磁暂态仿真和振荡实测数据进行了综合对比研究,结果表明该方法在信号检查的动态性能和参数估计精度等方面都取得了良好的效果。最后,通过硬件在环测试,验证了该方法的可行性。

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。

基于固有时间尺度分解的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和非平稳特性的情况,提出了一种基于固有时间尺度分解和样本熵的新型故障特征提取方法,并与Tikhonov支持向量机相结合实现滚动轴承的故障诊断。该研究充分利用了固有时间尺度分解具有提取故障特征明显、计算简单等优点。首先采用固有时间尺度分解方法将振动信号分解为一序列固有旋转分量和一个基线分量之和,并计算每个固有旋转分量的瞬时幅值和瞬时频率。然后,提取上述瞬时数据的样本熵作为特征向量。最后将其作为Tikhonov支持向量机的输入,实现滚动轴承故障精确分类。经过实验验证,本文方法获取的不同类型故障样本特征差别较大,与小波能谱熵、时间小波能谱熵相比能够更精确和快速的识别轴承故障。

基于固有时间尺度分解的能量算子解调法及故障诊断应用

针对Teager能量算子包络解调方法主要用于对单分量的调幅调频信号进行解调,而真实机械故障信号多为多分量的调幅调频信号的问题,提出了能量算子与固有时间尺度分解相结合的解调方法。首先,利用固有时间尺度分解法将原始振动信号分解为若干个固有旋转分量和一个单调趋势项,并基于波形匹配算法实现原始数据的自适应端点延拓以解决分解过程中的端点效应;然后再选取合适的固有旋转分量,利用能量算子方法实现调制信号的包络解调;最后,将该方法应用于仿真信号和故障模拟信号。结果表明:该方法能有效地提取机械振动信号的故障特征。

基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测

针对固有时间尺度分解(ITD)方法中固有旋转分量存在局部波动的问题,提出一种集成固有时间尺度分解,将其结合谱峭度法,提高轴承故障检测的准确度。首先运用3次样条插值拟合基线控制点,实现振动信号的自适应频带划分,获得若干个固有旋转分量;然后根据K-L散度准则选取真实分量进行信号重构,使用谱峭度法确定带通滤波器的最优参数;最后分析滤波处理结果的包络谱,得到振动信号的特征信息。研究结果表明:与经验模式分解和单纯包络谱分析方法相比,采用集成固有时间尺度分解和谱峭度的包络方法(EITD-SK)能更好地提取滚动轴承故障特征信息,实现轴承故障的准确检测,结果与实际相符。

基于固有时间尺度分解的电台瞬态特征提取

在实际接收到的电台瞬态信号通常都表现出非平稳性或非线性,可以通过对此类信号的瞬时参数的估计达到信号检测及电台个体识别的目的。然而,利用传统的方法如希尔伯特变换或小波变换对这些非平稳信号进行处理时常常会遇到困难。提出一种基于固有时间尺度分解的非平稳信号瞬时参数提取及电台个体识别方法,仿真试验结果证明了该方法的有效性。

改进多维本质时间尺度分解的厂级振荡检测

随着现代工业的发展,控制回路的厂级振荡检测已成为控制性能评估的重要研究内容。针对多维本质时间尺度分解(MITD)算法在分解复杂的多维信号时无法较好地提取原信号的局部特征的问题,提出了一种改进的多维本质时间尺度分解(IMITD)。该算法通过对信号进行端点延拓、选取多维信号基线节点和增加筛选内循环的方法,更好地保留了原信号局部特征和时频信息,在控制回路的厂级振荡检测上提高了检测的准确性。仿真信号和工业实例验证了改进的多维本质时间尺度分解算法在工业多回路振荡检测中的优越性。

基于改进固有时间尺度分解和谱峭度的轴承故障诊断方法

基于固有时间尺度分解(intrinsic time-scale decomposition,ITD)方法的线性变换和三次样条插值,提出一种改进的固有时间尺度分解方法(improved intrinsic time-scale decomposition,IITD),将IITD方法和谱峭度(spectrumkurtosis,SK)相结合,实现轴承故障的智能诊断。首先采用改进ITD方法对采集的轴承振动信号进行分解,得到若干个固有旋转分量(proper rotation component,PRC),然后利用谱峭度法对相关性最大的PRC进行滤波处理,最后对滤波后的PRC进行Hilbert包络解调来提取故障特征频率,从而识别轴承故障类型。仿真和实验分析结果表明:该文所提IITD-SK法可成功提取出故障特征频率,实现轴承故障的有效诊断,与传统的傅里叶变换、包络谱分析以及EMD方法的结果相比,该方法诊断效果更佳。

基于固有时间尺度分解的信号细微特征识别

为解决无线复杂环境下同型号通信电台发送的信号识别问题,针对传统时频方法处理杂散细微特征存在不足,提出了一种基于固有时间尺度分解(intrinsic time-scale decomposition,ITD)的信号细微特征识别方法。首先通过ITD方法将稳态状态下信号分解,计算分量瞬时参数并得到信号的时频谱,然后提取频谱特征作为细微特征,最后使用SVM分类器进行模式训练以实现信号的识别。仿真结果表明,该算法能够解决传统方法的实时性和准确性差等问题,取得较好的识别效果。

基于固有时间尺度分解与多尺度形态滤波的滚动轴承故障特征提取方法

为了准确提取出滚动轴承的故障特征并对轴承状态进行评估,提出了一种固有时间尺度分解(intrinsic time-scale decomposition,ITD)与多尺度形态滤波相结合的滚动轴承故障特征提取方法。首先,采用ITD方法将滚动轴承故障信号分解成多个固有旋转分量(proper rotation,PR);然后,对比各个PR分量与原始信号的相关性;最后,采用多尺度形态滤波算法对相关性较大PR分量进行滤波降噪,并提取滚动轴承故障特征频率。采用所建立方法对轴承外圈故障和内圈故障实验数据进行分析。结果表明,所提出的故障特征提取方法能够有效抑制噪声,清晰准确地提取出滚动轴承故障特征频率。

基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究

滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难。因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通过卷积神经网络(Convolutional Neural Network,CNN)实现轴承智能故障诊断。结果表明,与现有方法相比,ITD-CNN在不同信噪比下均有较高的准确率;在-4 dB信噪比下,准确率仍比现有方法高2.57%~13.35%,表明其良好的识别能力和泛化性能。

一种平滑固有时间尺度分解法在故障诊断中的应用

为提高滚动轴承振动信号故障信息提取精度,针对故障诊断过程中存在的噪声干扰问题,文章提出了一种平滑固有时间尺度分解法(Smooth Intrinsic Time Decomposition, SITD)的算法,将小波分析法嵌入到ITD分解过程中,采用了一种自适应阈值函数选取小波系数,使信号重建过程中获得更加精细的有用信号信息。将此方法应用于滚动轴承内圈故障和外圈故障诊断,结果表明与传统ITD方法比较,SITD方法不仅可有效消除背景噪声,同时保留冲击特征,还减少了端点效应,提高了滚动轴承的故障诊断精度。

基于固有时间尺度分解与最大相关峭度解卷积的轴承故障特征提取

针对滚动轴承故障信号的非平稳性、非线性及复杂性特征以及在故障识别过程中存在噪声干扰、故障特征不清晰的问题,提出一种基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合的轴承故障特征提取方法。利用固有时间尺度分解对故障信号进行分解,降低信号分解中的模态混叠;对分解的固有旋转分量进行选择,提取故障信号的有用成分,实现信号降噪;采用粒子群优化的MCKD提取故障特征信号的冲击成分。实验结果表明,该方法可以降低信号的模态混叠问题,增强故障特征,有利于噪声环境下轴承故障特征的提取。

利用二维经验模态分解提取川滇地区流动重力异常特征

首先介绍二维经验模态分解(BEMD)方法的基本原理及其关键技术,然后利用模型试验验证BEMD方法分解得到的各分量的实际地质含义,最后将该方法应用到川滇地区2015-09~2016-09流动重力差分动态变化异常多尺度分解中,并对提取的各尺度异常进行分析解释,各分量异常通过重构实现分场。结果表明,湮没在区域异常中的某频率范围内"弱异常"经过分离异常幅值相对增强,区域性异常变化特征更加明显。

基于偏微分方程的快速二维经验模态分解方法及其应用

针对现有的二维经验模态分解(BEMD)方法存在边界效应、分解速度慢等缺点,提出一种基于偏微分方程(PDE)的快速二维经验模态分解方法——PDE-BEMD.首先构造极值点所在二维包络曲面所满足的四阶偏微分方程,通过差分迭代方法快速求解偏微分方程,得到图像的上下包络曲面;然后对图像进行筛分,得到固有模态函数图像(IMFs),实现图像的模态分解.将分解得到的图像应用于边缘检测和人脸识别预处理算法中的实验结果表明,PDE-BEMD方法不仅可有效地降低时间和空间的复杂度、提高运算速度,而且避免了BEMD的边界效应,分解出具有清晰边缘信息的IMFs,且剩余图像不会被模糊,具有良好的边缘提取与去噪效果.

二维EMD分解的数字图像压缩

二维EMD为图像处理提供了一个强有力的工具。图像进行EMD分解后,将会得到一系列的IMF和图像残差。由于分解出来的第一层IMF包含了图像的细节部分,笼统地对其进行压缩会造成图像高频部分损失,压缩图像质量不高。针对这种情况,将第一层IMF与其他层分开处理。通过与块离散余弦变换压缩方法进行比较,得出结论。

基于二维EMD分解的图像压缩研究

综合Anna的极值点压缩算法和多抽样重叠块压缩算法,提出了一种新的基于二维EMD分解的数字图像压缩方法。先对自然图像进行二维EMD分解,对分解后的IMF抽样点进行熵编码。与两种压缩方法所得的结果比较分析,在确保图像质量的前提下,找到了一种更好的方法,对图像进行压缩。

基于二维集合经验模式分解的距离正则化水平集磁共振图像分割

针对现有磁共振(MR)图像分割算法大多直接在原图像上进行处理,分割效果受噪声影响较大的问题,本文引入二维集合经验模式分解(BEEMD)算法,提高距离正则化水平集(DRLSE)方法对MR图像的分割精度.算法中首先使用BEEMD将待分割MR图像分解为多个二维固有模式函数(BIMF),通过对各BIMF赋予不同加权系数重构待分割图像,从而增强分割目标;然后在DRLSE的边界指示函数中添加部分BIMF分量,恢复因高斯平滑被模糊的目标轮廓,并使用DRLSE方法对重构图像进行分割.通过对仿真图像和临床MR图像分割验证,表明本文算法具有较高的分割精度和鲁棒性,能有效实现对临床MR图像的分割.

基于二维经验模式分解的手背静脉提取

静脉血管成像是散射光成像,因此静脉血管图像和普通的光入射直接成像不同,静脉血管图像模糊,没有清晰的血管结构。二维经验模式分解能够自适应地把一幅图像按尺度分解为一系列IMF子图像和残余图像,IMF子图像带有原始图像的细节信息,残余图像表达了原始图像的趋势信息,代表了图像的基本结构。为此,针对手背静脉图像,提出利用经验模式分解得到的残余图像代表原始图像的基本结构这一特性来提取出静脉结构,并与传统的静脉提取方法进行对比。最后,仿真分析验证了该方法的可行性和有效性。