基于噪声辅助分析的总体局部均值分解方法

局部均值分解(Local mean decomposition,LMD)方法是一种新的自适应时频分析方法,但在其实现过程中会发生模态混淆现象,使分析结果失真。通过数值试验得到了LMD对白噪声的滤波器组结构,并在此基础上,针对模态混淆现象提出总体局部均值分解(Ensemble local mean decomposition,ELMD)方法。在该方法中添加不同的白噪声到目标信号,分别对加噪后的信号进行LMD分解,最后将多次分解结果的平均值作为最终的分解结果。对仿真信号和试验转子局部碰摩信号进行分析,结果表明ELMD方法能有效地克服原LMD方法的模态混淆现象。

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。

总体局部特征尺度分解及ELM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition,ELCD)及极限学习机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Intrinsic Scale Component,ISC);其次,根据分解后ISC分量计算时域指标、能量、相对熵,利用特征评估法提取敏感特征;最后,将敏感特征向量输入极限学习机(Extreme Learning Machine,ELM)进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。

总体局部特征尺度分解的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition, ELCD)的排列熵及相关向量机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Instrinsic Scale Component, ISC);其次,根据分解后ISC分量的峭度值选取主ISC分量,计算主ISC分量的排列熵并将其组合成特征向量;最后,将特征向量输入相关向量机进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。

基于补充总体局部均值分解的轴承故障诊断方法

为了弥补局部均值分解(LMD)在处理非平稳、非高斯信号的不足,提出一种基于补充总体局部均值分解(CELMD)和频谱分析相结合的轴承故障诊断方法.该方法向原信号成对地添加符号相反的白噪声,首先对含噪信号进行LMD分解,得到一系列的乘积函数(PF),再选取包含最丰富故障信息的PF分量,最后对该PF分量进行FFT变换,提取故障特征频率,实现对轴承状态和故障类型地识别.通过对仿真信号和轴承振动信号地分析,表明该方法不仅能消除残留白噪声和抑制模态混叠还可以提高故障诊断的准确性和有效性.

基于总体局部均值分解方法的心律失常特征提取与分类

针对心电信号自动分类技术中的特征提取,提出一种新的特征提取方法—总体局部均值分解(ELMD)方法。该方法首先对心电信号加入不同的高斯白噪声,然后进行局部均值分解得到若干乘积函数(PF)分量,求取多次分解后的PF分量均值。多次加入噪声及分量平均的过程可以克服基本局部均值分解方法存在的模态混叠问题。选取较优的前4个PF分量进行特征计算,将得到的特征向量矩阵送入支持向量机对正常心电信号和4种常见的心律失常信号进行分类。从MIT-BIH心律失常数据库的分类结果来看,ELMD总体分类准确率达到99.61%,高于一般方法,证明了ELMD方法的有效性。

核的正交完备鉴别局部保持投影

针对完备鉴别局部保持投影算法所求得的最优判别矢量间存在信息冗余问题,提出了核的正交完备鉴别局部保持投影算法。通过将核函数技术与正交性原理融合,采用高斯核函数将原始样本映射到高维特征空间,在高维特征空间的局部总体散度矩阵中计算最优判别矢量,只需在整个范围内对值域空间进行特征值分解,去除局部零空间达到样本降维目的。该算法分别在UMIST人脸库和JAFFE人脸表情库上进行实验,实验结果表明算法的识别率高达95.59%。

局部聚类的鉴别：一种基于模型的Moran's I检验

传统意义上的Moran's I只能检验出是否存在聚类,但不能检验出是否存在局部聚类。为了弥补这项不足,在对数线性模型的基础上作Moran's(?)残差检验,记作I_(dr)。在非齐性总体下,I_(dr)比传统(?)有较好的第一类错误概率。然后,在原模型中加入空间关联项重做I_(dr)检验。当原模型中I_(dr)是显著的,但加入空间关联项后I_(dr)不显著,表明仅存在局部聚类:当原模型中I_(dr)是显著的,但加入空间关联项后I_(dr)仍显著,表明存在全局聚类。

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。

ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。

基于自相关降噪和ELMD的轴承故障诊断方法

为了提取在故障轴承振动信号中被强噪声淹没的微弱冲击特征信号,提出一种基于总体局部均值分解和自相关降噪的轴承故障诊断方法。首先,应用自相关函数对轴承故障信号进行降噪;其次,对降噪后的信号进行ELMD分解,并得到一系列的乘积分量;最后,利用共振解调技术对各个PF分量进行包络分析,进而发现轴承故障频率。试验结果表明:将自相关降噪和ELMD分解方法结合用于实测轴承故障特征提取中,不仅可以降低信噪比,而且可以有效地提取轴承故障的特征频率。

最优参数MCKD与ELMD在轴承复合故障诊断中的应用研究

机械设备中滚动轴承复合故障的情况普遍存在。针对多种故障难分离和提取的问题,提出了基于最优参数最大相关峭度解卷积(Optimal Parameter Maxim Correlated Kurtosis Deconvolution,OPMCKD)与总体局部均值分解方法(Ensemble Local Mean Decomposition, ELMD)相结合的轴承复合故障诊断方法;首先利用排列熵值、包络谱稀疏度分别筛选MCKD中的最优滤波器长度L与冲击周期T,提取滚动轴承主故障;然后通过ELMD方法将非平稳信号分解为若干个分量,筛去主故障信息后,再次利用最优参数MCKD进行次故障诊断。通过对轴承信号的分析,验证了该方法能有效分离复合故障信号,具有一定的实用性。

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。

总体局部均值分解法在坦克变速箱滚动轴承故障诊断中的应用

分析了局部均值分解的模态混叠问题,仿真验证了总体局部均值分解对模式混叠的抑制能力,并指出总体局部均值分解方法存在的不足,提出了在该方法中加入高斯白噪声的准则和进行后处理的改进方法。提出了基于改进的总体局部均值分解的滚动轴承故障诊断方法,并将该方法应用于某坦克变速箱滚动轴承滚动体点蚀故障诊断中,结果表明:该方法能成功地提取出轴承滚动体的故障特征频率。

大坝变形多尺度分析ELMD-LSSVM预测模型

针对局部均值分解LMD实现过程中存在的模式混淆现象,利用局部均值分解的原理,提出一种结合总体局部均值分解(ELMD)与最小二乘支持向量机(LSSVM)方法的多尺度大坝变形预测模型.利用ELMD方法对大坝变形序列进行分解,得到其PF分量,利用最小二乘支持向量机进行外推预测,再把各PF分量的预测结果进行叠加重构,得到大坝变形预测值.通过实例验证分析,比较多元回归分析、LSSVM和ELMD-LSSVM三种模型在大坝变形监测数据处理中的拟合和预测结果.研究结果表明:ELMD-LSSVM方法能够减弱模态混叠现象的影响,充分发掘数据本身所蕴含的物理机制和物理规律,为大坝变形多尺度预测分析奠定较好的基础.

图象采集卡的发展状况

本文阐述了图象采集卡的发展现状、性能及使用范围；比较了多媒体视频卡和图象采集卡的异同及各自的适用领域。

基于ELMD和能量算子解调的滚动轴承故障诊断方法研究

针对滚动轴承发生故障时信号的调制特点,提出了基于总体局部均值分解(ELMD)和Teager能量算子解调的故障诊断方法。运用ELMD方法对振动信号进行分解,得到有限个单分量的调幅调频信号;运用能量算子解调方法对包含有故障特征信息的分量进行解调,提取故障特征频率。将该方法应用于实际滚动轴承滚动体点蚀故障诊断中,成功地提取出了故障特征频率。

基于ELMD和MED的滚动轴承早期故障诊断方法

针对滚动轴承早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征信息难以识别的问题,提出基于ELMD和MED的故障诊断方法。首先,运用ELMD对采集到的轴承振动信号进行分解,得到一系列PF分量;然后,依据相关系数与峭度准则,选取包含故障特征信息较丰富的PF分量进行MED滤波处理以消除噪声影响,凸现故障特征信息;最后,对降噪信号进行Hilbert包络谱分析,从谱图中准确地识别轴承故障特征频率。

略论中华学及其有关问题

在中华民族即将与全人类一起跨入２１世纪的时候，在中国改革开放、现代化建设取得伟大胜利，以社会主义为基础而实现中华民族伟大复兴的历史进程已经开始的时候，中华学在中华大地应运而生。我们有必要就中华学及其有关问题作简要的说明。一中华学的出现，是中华民族“自...

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。