超深水半潜式钻井平台总体噪声分析研究

对第七代超深水半潜式钻井平台的主要噪声源进行了分析,通过建立统计能量分析模型对平台的总体噪声进行了预测。计算得到了平台各典型舱室的声压级水平,针对噪声超标房间给出了解决方案,并通过实际海试测试验证了方案的可行性,为后续半潜式平台噪声控制提供了参考。

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。

基于ICEEMDAN与POA-SVM的感应电机故障诊断

针对感应电机定子电流故障特征提取困难,支持向量机(SVM)惩罚系数c和核函数参数g的选择对诊断结果影响较大等问题,提出一种改进自适应噪声平均总体经验模态分解(ICEEMDAN)与鹈鹕优化算法(POA)优化支持向量机(POA-SVM)相结合的感应电机故障诊断方法。首先,利用ICEEMDAN经陷波器滤除工频的定子电流获得一系列固有模态函数(IMF);然后,选取各状态信号的前7阶IMF分量并计算能量熵作为故障特征向量;最后,将故障特征向量输入POA-SVM模型得到诊断结果。通过仿真软件Ansoft/Maxwell建立电机模型来获得电流数据,诊断准确率达到了100%,实现了感应电机的故障诊断。为进一步验证诊断方法的优越性,搭建电机故障模拟试验台来采集电流信号,结果表明,该方法在空载、半载和满载3种负载情况下诊断准确率均可达到97.5%以上,与其他故障诊断方法相比,所提方法对感应电机电气故障具有更好的识别能力。

结构损伤识别的截断总体最小二乘法

基于特征对灵敏度分析,并结合总体最小二乘法,提出了一种用于结构损伤识别的截断总体最小二乘法,主要用来解决实际结构损伤识别过程中出现的病态方程组问题。以一个平面桁架结构为例,验证该方法的有效性。结果表明:在测试数据不完备的情况下,所提方法对于测试噪声仍然具有较强的鲁棒性,可供实际工程应用参考。

变时间尺度城轨客流的本征模量分解及组合深度学习预测

城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括:基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。

基于CEEMDAN模糊熵CNN轴承故障诊断研究

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息,提高故障诊断识别与分类精度,基于模糊熵(Fuzzy Entropy, FE)理论,提出了一种自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network, CNN)结合的故障诊断方法,充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势。通过循环抽样求取原始信号模糊熵,利用CEEMDAN方法分解,再由皮尔森相关系数筛选最佳分量组,最终将其输入CNN进行故障诊断,并采用t-SNE流行学习算法进行聚类可视化。其结果证实了不同工况下,相比经验模态分解模糊熵、集合经验模态分解模糊熵方法,所提方法具有更强的鲁棒性与泛化性,且t-SNE可视化使结果更直观。

基于CEEMD航空液压管路故障诊断方法研究

航空液压管路是飞机液压系统的重要组成部分,为了对其早期故障进行准确识别及预测,针对航空液压管路中早期微弱故障振动信号进行研究,利用自适应白噪声完备总体经验模态分解方法将信号分解为多个分量,搭建ResNet网络结构,并将获得的分量输入到深度残差网络(ResNet)进行训练测试。实验结果表明:CEEMDAN-ResNet模型故障识别率可达99.78%,故障预测训练迭代到1200次时,准确率将会达到99.5%左右并持续稳定,验证了所建立的CEEMDAN-ResNet模型对航空液压管路早期故障识别与预测的准确性、可行性。

基于ANCEEMD样本熵特征提取的行星齿轮箱智能故障诊断

以行星齿轮箱为研究对象,针对经验模态分解(EMD)存在模态混叠、易出现端点效应等缺陷,导致难以很好地解决行星齿轮箱振动信号耦合及非线性特征的提取问题。本文以自适应噪声完备总体经验模态分解(ANCEEMD)为信号处理方法,引入样本熵进行特征提取,应用群智能融合算法优化的神经网络模型对行星齿轮箱故障进行识别和诊断。对于混合蛙跳算法(SFLA)与粒子群优化算法(PSO),实施“两层优化和内外循环”的融合机制,提出SFLA-PSO融合算法。开展了行星齿轮模拟故障实验,采集了行星齿轮箱的多种故障的振动信号,进行了样本熵特征提取,应用SFLA-PSO融合算法优化了BP神经网络模型,对行星齿轮箱故障进行识别诊断。结果表明:基于ANCEEMD样本熵特征提取的SFLA-PSO-BP诊断模型较PSO-BP和BP在行星齿轮箱故障诊断中的准确率分别提高了5%、15%。

基于CEEMDAN的地震信号高分辨率时频分析方法

希尔伯特黄变换(Hilbert-Huang transform,HHT)作为一种时频分析方法,在含有间断信号的信号中或存在噪声干扰的信号中进行经验模态分解(empirical mode decomposition,EMD)时会产生模态混叠效应,为得到更准确的原始信号分析结果,精确重构原始信号,以自适应噪声的总体集合经验模态分解(complete ensemble empirical mode decomposition of adaptive noise,CEEMDAN)代替EMD并与希尔伯特变换(Hilbert transform,HT)相结合,构建了一种适应于非线性非平稳信号的高分辨率时频分析方法。采用该方法对模拟信号和实际资料进行了时频分析处理,并与传统的时频分析方法的处理结果进行了对比分析,结果表明基于CEEMDAN的时频分析方法在保证重构信号准确性和稳定性的前提下,可精确地重构原始信号,并获得精确的频谱,从而具有更高的时间和频率分辨率,它既是一种地震资料精细解释的有力工具,也为后续的含油气检测提供了有力的支撑。

基于FastICA去噪和改进HHT的转子不平衡故障特征提取方法研究

针对转子不平衡振动信号非平稳性并伴随较强环境噪声的特点,提出一种基于快速独立分量分析(FastICA)和改进希尔伯特-黄变换相结合的故障特征提取方法。该方法采用FastICA法去除环境噪声等因素对于故障特征提取精度的影响,再利用自适应白噪声总体平均模态分解方法将故障信号分解为一系列固有模态函数(IMF),并采用基于相似性评估的虚假IMF选择算法将与故障信息无关的虚假IMF分量剔除,从而保证故障信息提取的准确性和有效性。通过仿真分析证明了所提方法的有效性,并且实际试验表明:该方法可有效提取转子不平衡信号的故障特征,为该类故障的诊断提供了一种切实可行的方法。

基于CEEMDAN-UWT降噪的暂态电能质量检测方法

针对电网电能质量检测和噪声污染问题,结合自适应噪声总体平均经验模态分解(CEEMDAN)、排列熵(PE)、基于非抽样小波变换(UWT)的小波阈值降噪和希尔伯特黄变换(HHT),提出基于CEEMDAN-UWT降噪的暂态电能质量检测方法。CEEMDAN将扰动信号分解成具有单分量特征的固有模态函数组,应用UWT阈值降噪处理PE筛选出的含噪分量,重构后获得最终的降噪信号,接着通过HHT获得其扰动特征信息。在LabVIEW环境下独立实现此方法并进行仿真,结果验证方法的有效性。最后以PXI设备为基础开发基于LabVIEW的检测装置,可为现代电能质量检测仪器和系统的开发提供新思路。

基于CEEMDAN和1.5维谱的滚动轴承早期故障诊断方法

针对滚动轴承早期故障难以识别的问题,提出一种自适应白噪声的完备总体经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和1.5维谱相结合的滚动轴承故障诊断方法。该方法首先运用CEEMDAN对振动信号进行分解,得到一系列IMF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IMF分量,最后对提取的IMF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。利用仿真信号和工程实验数据对该方法进行分析验证,所得出结果的谱图均比用单一方法得出的谱图清晰,充分证明该方法在滚动轴承早期故障诊断中的优势。

基于CEEMDAN样本熵与PNN的行星齿轮故障诊断

为对行星齿轮进行故障诊断,采用自适应噪声完备总体经验模态分解(CEEMDAN)方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算,优选出与原始信号相关性较大的前4阶分量进行样本熵计算,得到特征值,构成特征向量。将特征向量输入到概率神经网络系统中进行诊断,且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明:利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性,故障诊断的正确率高。

一种WACEEMDAN和MSB的轴承故障诊断方法

针对滚动轴承发生故障时的冲击信号易被噪声淹没和其非平稳的特性,以及传统使用自适应白噪声平均总体经验模态分解(CEEMDAN)时固有模态函数(IMFs)中的有效信息不能被充分利用等问题,提出了一种基于加权自适应白噪声平均总体经验模态分解(WACEEMDAN)和调制信号双谱(MSB)的滚动轴承故障特征提取方法。首先,使用CEEMDAN将采集的非平稳振动信号分解成若干具有平稳特性的IMFs;然后,构建了一种强调敏感分量的新型指标:相关—峭度值,利用该指标对各个IMFs加权并重构为WACEEMDAN信号;最后,应用调制信号双谱(MSB)分解WACEEMDAN信号中的调制分量并提取故障特征频率。研究结果表明,通过使用西安交通大学通用轴承数据集和我们试验台进行了验证,所提出的WACEEMDAN—MSB方法能够准确的提取出轴承故障特征频率,从而验证了WACEEMDAN—MSB方法的有效性。

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解(CEEMDAN)能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数(IMF)分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。

基于ICEEMDAN与环境负载的GNSS坐标时序非线性形变去除

非线性形变影响全球卫星导航系统(GNSS)坐标时序精度.采用改进的自适应噪声总体集合经验模态分解(ICEEMDAN)和环境负载改正相结合的方法开展GNSS测站非线性形变去除研究.首先使用GMIS软件将GNSS坐标时序补充完整并去除粗差,然后使用ICEEMDAN方法对GNSS坐标时序进行分解,使用排列熵算法选取包含噪声和非线性形变的高频分量,最后使用环境负载对高频分量进行去除,利用经验模态分解(EMD)方法和环境负载结合的方法进行去除效果对比.研究结果表明:非线性形变去除后的GNSS坐标时序均方根(RMS)变化各有区别,垂向(U)方向最为明显,最大值达6.715 mm,东(E)方向次之,北(N)方向最小;ICEEMDAN方法和环境负载改正结合后N方向的非线性形变全部得到了削弱,E方向的非线性形变有75%得到了削弱,U方向的非线性形变有62.5%得到了削弱,其改正效果优于EMD方法和环境负载结合的改正效果.

基于改进CEEMDAN-CNN的轴承故障诊断研究

为保证旋转机械安全稳定运行和实现轴承早期疲劳损伤阶段故障诊断,提出了改进自适应白噪声平均总体经验模态分解(CEEMDAN)与卷积神经网络融合的故障诊断方法。通过CEEMDAN方法分解原始故障信号,分形盒维数作为指标筛选核主成分分析降维的最佳重构分量,输入卷积神经网络实现非线性故障特征提取。结果表明:在西安交通大学轴承数据集不同信噪比下,该诊断方法与单一的传统经验模态分解-卷积神经网络(EMD-CNN)、集合经验模态分解-卷积神经网络(EEMD-CNN)方法及其对应的改进重构最佳模态分量方法进行对比,其低信噪比下准确率达87.1%,且在各种信噪比下均保持最高准确率;该方法应用于西储大学轴承数据集的准确率达到98.7%,证明其具有较强的鲁棒性与泛化性;该方法可有效解决传统轴承故障诊断方法信号非线性特征提取不充分的局限性。

基于优化CEEMDAN-CNN的轴承故障诊断研究

针对滚动轴承振动信号易受环境噪声干扰及浅层学习模型依赖人工经验难以准确提取故障特征的难题,提出了一种优化自适应白噪声平均总体经验模态分解(OCEEMDAN)与卷积神经网络(CNN)联合的故障诊断方法。采用自适应白噪声平均总体经验模态分解(CEEMDAN)算法对原始信号进行分解,分形维数筛选最佳分量,奇异值(SVD)降噪优化,输入CNN实现故障诊断,分别与EMD-CNN、EEMD-CNN及CEEMDAN-CNN方法进行对比。结果表明:该方法在不同工况下均具有较高的识别率,突显了良好的鲁棒性与泛化性。

Evolution of low-frequency noise passing through a spatial filter in a high power laser system

The theoretical model of spatial noise passing through a spatial filter is established in high power laser system under the small signal approximation. The transmission characteristic for a noise signal passing through spatial filters with different magnifications is analyzed by numerical simulation, according to the actual structure of the high power laser system. The results show that the spatial modulation period of low-frequency noise getting through the pinhole will be proportional to the magnification of the spatial filter. When the magnification is less than 1, the safe low-frequency noise will be extruded into the high-frequency region, which is the fast increasing part, and finally develops into the most dangerous part which can damage the optical devices. The conclusion of this research improves the relay imaging theory of a spatial filter and provides an important theoretical basis for a general design of high power laser systems.