基于差分和局部积分均值的EMD算法

针对经验模态分解中无法分离频率相近信号的问题，提出一种新的经验模态分解算法。该算法将局部积分均值的“筛分”算法和差分经验模态分解算法的思想结合在一起。仿真结果表明，该算法的频率分辨率比基于局部积分均值的经验模态分解算法要高，分解效率要比基于差分的经验模态分解算法要高，同时在一定程度上抑制了边界效应。

基于局部积分均值的经验模态分解改进算法

端点效应和模态混叠现象是经验模态分解算法应用中存在的主要问题。在介绍标准经验模态分解算法的基础上,阐述了基于局部积分均值经验模态分解算法的基本原理,提出自适应的端点局部积分均值拟合线的拟合方法。改进算法通过距离相关度函数在待分解信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的局部积分均值拟合线来重新刻画端点处的局部积分均值拟合线,将修正后的局部积分均值拟合线应用于EMD算法筛选过程中。仿真实验结果表明,改进算法有效抑制了模态混叠和端点效应现象,提高了分解的精度和可靠性。

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节。针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法。该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数。为实现风电机组齿轮箱故障诊断,首先采用改进LMD方法对信号进行降噪处理,然后采用多尺度熵提取降噪处理后信号的特征向量,最后采用极限学习机进行故障诊断。通过仿真分析,证明了该方法能有效解决模态混叠现象,提高了LMD的分解精度。试验验证分析表明,该方法的故障诊断准确率为100%,通过对比分析表明,该方法优于其他故障诊断方法,具有工程应用价值。

基于波形平均的经验模态分解端点效应抑制方法

经验模态分解(EMD)作为一种非常灵活的自适应时频分析方法,已广泛用于旋转机械故障诊断中的振动信号分析。但是,经验模态分解存在两个问题:端点效应以及模态混叠。针对EMD中存在的端点效应问题,在积分延拓局部均值分解(IELMD)的基础上,提出了一种利用波形平均来改进IELMD的方法。该方法利用一组相似波形来代替最佳匹配波形与特征波形相匹配,通过对相似波形左边或右边波形取平均得到延拓波形,将其附加在原始信号左端或右端。仿真和应用结果表明,与IELMD方法相比,该方法能够更有效地抑制经验模态分解端点效应。