基于总体经验模式分解的地震信号随机噪声消除

地震资料去噪是地震数据处理非常重要的步骤,现代地震勘探对地震资料信噪比的要求越来越高.总体经验模式分解(ensemble empirical mode decomposition,简写为EEMD)是一种新的时域信号处理方法 ,它是对经验模式分解(empirical mode decomposition,简写为EMD)的一种改进.EEMD将目标信号经验地分解为几个被称为本征模态函数(intrinsic mode function,简写为IMF)的子信号,它是一个自适应的带通滤波器组.本文介绍了EMD和EEMD分解的基本原理,提出了一种基于EEMD分解的地震信号随机噪声消除的方法 .本文利用含噪信号EEMD分解后其有效信号和随机噪声在IMF中差异分布的特点,给出一种地震信号随机噪声消除的新方法 .

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。

基于阶次跟踪和总体经验模式分解相结合的滚动轴承升速过程的故障诊断方法研究

对于某些旋转机械(转炉、轧机)来说,一直处于变速运动,因此对变速过程的振动信号进行分析具有重要意义。滚动轴承作为其重要部件,对其升速过程的振动信号进行研究,有助于滚动轴承的故障诊断。提出了一种基于阶次跟踪和总体经验模式分解相结合的诊断方法。首先将升速过程的时域信号转化为角域信号,然后对角域信号进行总体经验模态分解,再用互相关、峭度准则对IMF分量进行提取,最后对提取到的信号进行阶次谱分析。通过实验案例的分析,能够有效的识别滚动轴承故障,进而表明本方法的有效性。

总体平均经验模式分解与1．5维谱方法的研究

针对复杂背景下机车走行部齿轮箱齿轮裂纹故障微弱特征的提取问题,提出了总体平均经验模式分解(EEMD)与1.5维谱的故障特征提取方法.首先运用EEMD方法对振动信号进行自适应抗混分解,得到不同频带的基本模式分量(IMF),然后运用1.5维谱方法对含有故障特征信息的IMF进行后处理.该方法具有避免模式混淆、抑制高斯白噪声、检测非线性耦合特征等特性,并以此来提取故障的微弱特征信息.根据待处理信号的时频特性与EEMD原理,提出了在EEMD方法中加入高斯白噪声的准则,通过信号仿真验证了EEMD方法的抗混分解能力.将EEMD与1.5维谱方法应用于机车走行部齿轮箱的监测诊断中,成功地提取出齿轮箱大齿轮齿根早期的裂纹故障.

自适应总体平均经验模式分解及其在行星齿轮箱故障检测中的应用

总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)是针对经验模式分解(Empirical mode decomposition,EMD)存在的模式混淆问题而提出的,对分解信号加入高斯白噪声,改善信号的极值点分布,经过多次平均,从而达到减小模式混淆的目的。然而,EEMD分解效果取决于添加噪声的幅值、筛选次数等参数的选择。目前的研究通常是人为选择这些参数,具有较大的盲目性和主观性,因此分解结果差强人意。为了解决以上问题,提出一种新的自适应总体平均经验模式分解方法。该方法基于EMD的滤波特性,在提取本征模式分量(Intrinsic mode function,IMF)的过程中自适应改变加入噪声的幅值,并对每个IMF自动选择不同的筛选次数,可以更好地削弱模式混淆。通过仿真试验验证了该方法的有效性,并将该方法应用于行星轮故障检测中,取得了比EEMD更好的故障检测结果。

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。

经验模式分解在滚动轴承故障诊断中的应用

经验模式分解作为一种自适应的非线性、非平稳性信号分析方法,广泛应用于滚动轴承故障诊断中,但存在模态混淆、本征模式函数的判据、边界效应等问题。首先系统阐述了经验模式分解方法原理及特性,分别对经验模式分解的改进算法固有时间尺度分解、局部特征尺度分解和完备总体经验模式分解作了分析,研究了其基本原理、应用和特点,提出经验模式分解与其他诊断方法相融合是滚动轴承故障诊断的研究方向。

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。

摩擦振动信号的EEMD和多重分形去趋势波动分析

为了研究摩擦副磨合磨损过程中摩擦振动变化规律,实现通过摩擦振动识别摩擦副的磨合磨损状态,在摩擦磨损试验机上进行了船用柴油机缸套—活塞环摩擦副摩擦磨损试验。应用总体经验模式分解对摩擦振动信号进行分解,获得若干个无模式混叠的本征模式分量。利用多重分形去趋势波动分析(Multifractal detrended fluctuation analysis,MFDFA)对重构获得的摩擦振动特征信号进行分析,得到摩擦振动信号的MFDFA谱图,并根据谱图求取摩擦振动信号的多重分形谱参数。研究结果表明,总体经验模式分解能够实现微弱摩擦振动特征信号的提取,MFDFA谱图及其参数可以表征摩擦振动信号的特征。

改进的自适应EEMD方法及其应用

针对目前总体经验模式分解(EEMD)方法中两个参数依靠人工选择难以准确获取的问题,提出了一种可自适应确定二者取值的改进EEMD方法。首先通过提取信号中的高频成分来确定加入白噪声的幅值,再根据减小白噪声影响的统计规律得到总体平均次数。同时,为提高分解效率及降低白噪声影响,在EEMD过程中引入有限带宽高斯白噪声消除模态混叠,实现对信号的快速准确分解。信号仿真试验表明改进EEMD方法可以得到比EMD和原始EEMD更加高效的分解结果。最后将其应用于混合信号输入的模拟电路故障特征提取中,以输出响应EEMD分解得到的IMF能量作为特征进行不同故障的分类,仿真结果表明该方法提取的电路各状态特征可作为故障识别和诊断的依据。

上证综指波动特征及收益率影响因素研究——基于EEMD和VAR模型分析

总体经验模式分解(EEMD)是Norden E.Huang等人提出的一种最新的数据处理方法。本文通过EEMD将上证综指分解为高频分量、低频分量和趋势项三个分量,结合各结构分量的波动特征发现,高频分量对上证综指的解释率较低,低频分量和趋势项对上证综指的解释率较高。进而运用VAR模型分别分析低频分量收益率与趋势项收益率的影响因素,结果显示,M2增长率是长期内影响两者的最主要因素,并且M2增长率对趋势项收益率的影响高于对低频分量收益率的影响;趋势项受同业拆借利率和工业增加值增长率的影响明显,而低频分量则受自身影响较大。

基于EEMD的单通道盲源分离在轴承故障诊断中的应用

针对一维观测矩阵的极度欠定盲分离模型,结合盲源分离和总体经验模式分解的优点,利用总体经验模式分解将单通道信号转化为固有模态矩阵,重组观测矩阵,再通过近似联合对角化实现信号的盲分离。数据仿真说明该方法能提取低信噪比下的轴承故障信息。实验中,对2种不同故障的轴承进行故障诊断,从而进一步证明了该方法的有效性。

基于EEMD的多传感器信息融合降噪方法

由于传感器被动采集所得信号没有太多先验信息,在后续应用过程中因噪声的存在受到限制,所以,提出一种基于总体经验模式分解(EEMD)和时延估计的多传感器信息融合降噪方法。首先将多传感器采集所得信号进行EEMD,将所得对应IMF分量进行互相关,求取时延估计值,依据时延矢量封闭准则(TDVCR)获得相应IMF分量的时延矢量误差。最后,根据多传感器综合支持度确定相应权重,对IMF分量进行重构,得到降噪后的信号。实验结果表明:该方法在EEMD的基础上有效利用了多传感器的时延估计特性,在没有任何先验信息的条件下降低了信号噪声,取得满意的效果。

基于一维盲源分离的滚动轴承故障诊断

盲源分离较之传统的信号处理方法在处理弱信号问题上更具优势。针对轴承故障诊断中因条件限制仅能进行单通道信号采集的情况,提出了一种基于总体经验模式分解的一维盲源分离算法。算法先通过总体经验模式分解将信号分解为多个本征模态函数,再根据本征模态函数之间的相关系数重组观测矩阵,最后利用近似联合对角化对矩阵进行盲源分离。通过数据仿真将该方法与小波分析和Hilbert-Huang变换作对比,说明该方法更适于处理低信噪比的轴承故障信号。对滚动轴承进行了故障诊断实验,成功找到了表征内圈故障和外圈故障的特征信息。

基于多重分形的摩擦振动信号研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的表征,在摩擦磨损试验机上进行船用柴油机缸套-活塞环摩擦副摩擦磨损模拟试验,应用总体经验模式分解对缸套-活塞环摩擦副的非线性、非平稳的摩擦振动信号进行降噪,并应用多重分形对摩擦振动信号进行分析,得到多重分形谱图及其参数。研究结果表明,随着摩擦磨损试验的进行,缸套-活塞环摩擦副摩擦振动信号振幅分布多重分形谱和频率分布多重分形谱呈现一定的变化规律;多重分形谱图及其参数能够实现摩擦振动信号特征的表征,可以用于摩擦副摩擦振动状态的识别。

基于CEEMD能量熵特征提取和VNWOA-LSSVM的风力机轴承故障诊断方法研究

针对极端复杂工况下风力发电机组轴承故障诊断问题,对风力机运行状态监测中常用的故障诊断方法进行了研究,提出了一种基于互补总体经验模式分解能量熵的故障特征提取和改进的鲸鱼算法来优化最小二乘支持向量机的风力机轴承故障诊断方法;通过互补总体经验模式分解,降低了噪声对微弱故障信号的干扰,提取了各分量的能量熵构建故障特征集合,作为诊断模型的输入;利用冯诺依曼拓扑结构的特性,克服了鲸鱼算法中收敛慢、寻优精度低的问题,构建了改进的鲸鱼算法优化最小二乘支持向量机的诊断模型分类器,实现了对不同故障类型特征参数的准确分类;最后利用试验数据集进行了测试。研究结果表明:所提出的方法计算速度快、泛化能力强、分类正确率高,其诊断结果优于基于鲸鱼算法优化的最小二乘支持向量机,远优于传统的最小二乘支持向量机算法。

基于CEEMD特征提取的无绝缘轨道电路补偿电容故障诊断

利用电路网络理论和传输线理论构建ZPW-2000A轨道电路传输模型,仿真并分析了补偿电容故障对轨面电压的影响,提出基于互补的总体经验模式分解(CEEMD)特征提取的补偿电容故障诊断方法;实验结果表明,相比于传统经验模式分解(EMD)和总体经验模式分解(EEMD),基于CEEMD特征提取的补偿电容故障诊断方法可以有效地克服EMD方法引起的模态混叠和能量泄露现象,减少EEMD方法在信号重构过程中的白噪声残留,为补偿电容的故障诊断提供了一种快速准确的方法,为保证信号传输质量提供了参考依据。

我国碳排放权交易价格影响因素分析

本文通过选取我国7家碳交易试点公布的碳交易价格为样本,利用EEMD方法将碳交易价格分解,并运用FGLS分析各影响因子对碳价的影响程度。研究结果表明:碳排放权交易价格受到市场内在机制以及市场外部环境双重作用的影响;市场内在机制下,能源价格与碳排放权交易价格之间相互作用相互影响,其中石油价格对碳排放权交易价格影响最大;市场外部环境下,各地区发展的季度GDP增长率、气温以及降水量均对碳排放权交易价格有着不同程度的影响。

风力发电机组早期故障诊断

随着风力发电行业的快速发展,风力发电机组装机数量迅猛增加。然而恶劣的工作环境导致风力发电机组故障率较高。通过故障诊断技术及时发现设备存在的故障,进而确保发电机组安全可靠运行,是降低事故的有效途径。提出一种风力发电机组早期故障诊断的方法,通过对风力发电设备运行状态进行实时监测并进行趋势预测,及时发现运行过程中存在的故障隐患,并利用信号处理方法 EEMD对故障信号进行分析处理,提取故障特征信息,进而诊断故障发生的原因和部位等情况,最后综合评价决策釆取适当的应对措施,并通过实验验证了该方法的有效性。

基于EEMD的农机轴承故障诊断

针对经验模式分解(EMD)在非线性信号处理中存在的模态混叠问题,本研究采用了总体经验模式分解(EEMD)方法对农机中的轴承进行故障诊断。将农机轴承故障信号加入随机白噪声构成总体信号再进行EMD分解,然后对分解所得的固有模态函数(IMF)做包络谱分析,在包络谱中清晰地显示出了轴承故障特征。实验结果表明,避免了模态混叠现象的产生,是一种有效的农机轴承故障诊断方法。