基于TVFEMD-IMF能量熵增量的桥梁监测数据降噪方法

针对桥梁监测数据受多重噪声干扰、影响结构真实响应获取的问题,提出了一种基于时变滤波经验模态分解(time-varying filtering empirical mode decomposition,简称TVFEMD)和本征模函数(intrinsic mode function,简称IMF)能量熵增量的桥梁监测数据降噪方法。首先,利用TVFEMD分解桥梁原始监测数据,得到多个子序列;其次,采用IMF能量熵增量确定多个子序列中的有效子序列;然后,划分子序列中的结构响应分量和噪声分量,对结构响应分量重组实现监测数据降噪;最后,利用平均绝对误差(mean absolute error,简称MAE)、均方根误差(root mean squared error,简称RMSE)和信噪比(signal-noise ratio,简称SNR)对不同方法的降噪效果进行评价。仿真算例和工程实例结果表明:TVFEMD相比经验模态分解(empirical mode decomposition,简称EMD),有效解决了模态混叠问题;TVFEMD结合IMF能量熵增量方法,有效抑制了多重噪声影响,对结果精度有较大提升;与EMD-IMF能量熵增量和Kalman滤波降噪法相比,TVFEMD-IMF能量熵增量法所得到降噪信号的MAE和RMSE值分别提升了23%和21%以上,降噪效果更好,信噪比提升38%以上,抗噪性能更佳。

基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。

基于本征模函数的轨道质量评价方法

为了更合理有效地评价轨道质量,将轨道不平顺波长因素纳入轨道质量评价中,提出基于本征模函数(intrinsicmode function,IMF)的轨道质量评价方法——轨道质量能量指标(track quality energy index,TQEI).通过对轨道不平顺数据进行经验模态分解得到对应波长频段的不平顺IMF,利用频谱分析的方法求得各个IMF的能量;将各个IMF的能量与总能量的比值作为特征向量,并进行量纲一化处理,从而得到轨道不平顺IMF的能量系数;利用能量系数求得TQEI.通过理论推导证明了轨道质量数(track qualityindex,TQI)是在不考虑波长因素作用下轨道质量能量指标的特殊形式.最后,以京广提速干线轨道不平顺数据为例,对比分析了实际检测数据TQEI与TQI的关系.结果表明:轨道质量能量指标是对TQI的细化和延续,其既起到了TQI的幅值管理作用,又可以弥补TQI在波长及幅值管理方面的缺陷,可以准确有效地对轨道质量进行评价.

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮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的实际情况,提出了基于经验模态分解(empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function,IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机(support vector machine,SVM),判断齿轮的工作状态和故障类型。实验结果表明,该方法能有效地应用于齿轮的故障诊断。

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮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的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法。通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型。实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断。

基于IMF能量谱的水声信号特征提取与分类

经验模态分解(EMD)是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数(IMF)。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机(SVM)分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。

基于VMD能量相对熵的配电网单相接地故障选线方法

针对目前配电网单相接地故障选线存在的问题,提出一种基于变分模态分解(VMD)和能量相对熵结合的故障选线新方法。该方法首先采集线路故障后一个周期的暂态零序电流信号,运用VMD方法对其进行分解得到有限个不同尺度的本征模态函数(IMF)分量;计算各IMF分量的能量和作为线路的暂态能量;再结合能量相对熵对线路的暂态信号特征进行量化放大;最后通过比较各条线路的能量相对熵大小进行故障选线。Matlab仿真对其可行性和有效性进行验证,结果表明:该方法不受消弧线圈补偿度、故障距离、故障初相角和过渡电阻的影响,均可实现对故障线路的正确选线。

漏表面波IMF_(1)能量识别无砟轨道脱空适用性研究

为了研究漏表面波法对高铁无砟轨道层间脱空检测的适用性,建立脱空特征指标,通过含层间脱空的板式无砟轨道实尺模型进行试验,建立空气‑无砟轨道耦合有限元模型,分析不同工况下的冲击响应声场分布特征;进一步对漏表面波信号进行希尔伯特‑黄变换,保留高频特征信号至第1阶本征模函数(intrinsic mode function,简称IMF_(1)),分解低频干扰信号至高阶本征模函数,提出以IMF_(1)能量为特征指标的层间脱空判识方法。研究结果表明:随着脱空长度和脱空至荷载冲击点距离的增大,漏表面波IMF_(1)能量分布呈现正相关变化趋势;IMF_(1)能量对CRTSII型板式无砟轨道板中CA砂浆层脱空0.2~0.5 m较为敏感,基于漏表面波的CA砂浆层脱空检测具备一定理论可行性。

基于VMD-SampEn-M1DCNN组合模型的钳形电流互感器故障诊断

针对钳形电流互感器故障诊断效率和诊断准确率低的问题,提出一种基于VMD-SampEn-M1DCNN组合模型的钳形电流互感器故障诊断模型。首先,以钳形电流互感器数据为基础,对其进行VMD分解,以建立本征模函数(IMF),并进行IMF分量选择;然后,选取IMF分量分析样本熵,并将其作为互感器特征提取对象的特征值;最后构建了M1DCNN模型,对模型进行样本数据训练和测试。结合实验分析结果,证实VMD-SampEn-M1DCNN模型在训练时间、测试时间和模型测试精准度方面,与传统故障诊断相比都有明显的优势,能进行故障的精准诊断。

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断。该方法首先利用经验模态分解(Empirical Mode Decomposition,简称EMD)方法,把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类。对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障。

基于IMF能量矩和SVM的电力线路故障定位

针对配电网拓扑结构日益复杂化以及线路单相接地时故障信息难以提取等问题,提出了一种基于本征模函数IMF(Intrinsic Mode Function)特征能量矩的故障信息提取方法,并利用SVM进行故障定位。该方法首先利用经验模式分解(EMD)良好的局域化特征来量化故障信息,将故障电流信号分解得到多类IMF并在时域轴上对该IMF进行积分,从而得到能量矩特征故障向量,从能量矩中选取相关系数大的作为学习样本输入SVM分类器,得到故障线路分类模型,进而完成配电网的故障定位。基于66k V线路模型的仿真实验表明,该方法仅需测量故障电流,可以准确、有效地识别故障区段,可靠性高。

基于EMD与功率谱熵的语音端点检测

为了提高低信噪比下语音端点检测的准确性,提出一种基于经验模态分解与功率谱熵的语音端点检测方法。对带噪语音信号进行经验模态分解获得一系列语音本征模函数,选取功率谱熵作为语音端点检测的特征,并计算特定阶本征模函数的功率谱熵实现语音的端点检测。通过EMD分解可以有效地消除白噪声的影响,仿真结果表明,在低噪比情况下结合经验模态分解和功率谱熵的方法能够有效实现语音端点检测。

基于改进VMD的液压系统故障特征提取

为从液压系统振动信号中提取有效特征进行故障诊断,针对随机噪声、端点效应和虚假分量会影响变分模态分解(VMD)的分解精度问题,提出了一种改进VMD的故障特征提取方法。首先,针对随机噪声会导致分解误差增大现象,提出了基于奇异值差分谱降噪预处理,该方法能抑制噪声对分解结果的干扰;然后,针对端点效应会导致VMD处理信号两端产生明显的飞翼现象,提出了基于支持向量回归机的端点延拓,该方法具有较高的拟合精度;最后,针对虚假本征模态函数(IMF)分量会导致VMD处理出现能量泄漏现象,提出了IMF能量熵增量的虚假分量剔除,该方法的真假分量具有区分性。仿真信号和实测液压信号分析表明:改进VMD能有效改善传统VMD方法在特征提取上的三个不足,可准确提取液压故障信号的主要特征频率,实现液压系统故障的精确诊断。

基于IMF熵价值的轮对轴承故障自适应诊断

针对集成经验模态分解(EEMD)方法中本征模态函数(IMF)不能自主筛选的问题,提出IMF价值评价方法,以此评价IMF价值高低。将IMF能量熵作为IMF价值高低的核心评价标准,并基于此建立轮对轴承故障自适应诊断模型。该模型将轴承振动信号进行EEMD分解得到不同尺度的IMF,依据IMF熵价值算法,筛选出价值更高的IMF进行信号重构,对重构信号进行希尔伯特变换,应用其边际谱提取轮对轴承振动特性频率。应用无故障轴承及三种不同故障轴承对本模型进行试验验证。结果表明,该方法能凸显轴承特性频率,能够有效提取轴承旋转频率倍频、故障特征频率及其倍频,并且轴承垂向和横向振动对轴承故障特征频率的检测在谱分辨率及故障表征上都有较好的表现力。

基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断

针对传统方法对滚动轴承故障特征提取效果尚有局限和最小二乘支持向量机分类器的参数不易确定,从而降低了故障诊断的准确性的问题,提出基于本征模函数能量矩和贝叶斯框架下的最小二乘支持向量机实现滚动轴承的故障诊断。在该方法中,通过经验模态分解将原始信号分解为多个本征模函数,之后将本征模函数作时间轴的积分,得到本征模函数能量矩特征故障向量。采用贝叶斯推理方法进行三级分层推断,解决最小二乘支持向量机分类器的参数具有任意性和不确定性的问题,实现参数优化。对滚动轴承的仿真结果表明,该方法能对故障进行有效、准确的诊断,诊断正确率达到98.75%。

基于参数优化的VMD与TEO融合的微电网电能质量检测方法

针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动检测方法。针对VMD方法参数难确定的问题,利用天牛须搜索(Beetleantennaesearch,BAS)对VMD方法的最佳参数进行优化搜索。搜索过程以VMD分解后各本征模函数的包络熵极小值与VMD迭代次数的结合作为适应度函数。根据搜索结果设定VMD方法的最佳分解层数K和惩罚因子α,并运用参数优化VMD对扰动信号进行分解。针对扰动信号经分解后本征模函数的筛选问题,以包络熵为指标,选取包络熵较小值的本征模函数进行TEO解调分析,提取扰动信号的特征信息。仿真结果表明,融合算法能实现对微电网电能质量扰动的准确检测,并具有良好的抗噪性。

基于自适应滤波的无人机视觉导航误差补偿方法研究

为精确校准复杂自然环境下无人机的导航误差,提出基于自适应滤波的无人机视觉导航误差补偿方法。通过对视觉图像信号采取经验模态分解,构建无人机视觉导航图像的本征模函数,运用自适应滤波消除本征模函数噪声;采用长短期记忆网络构建无人机视觉导航误差的线性预测模型;考虑空变性残留误差和运动误差,运用子图像划分策略将图像分割成若干个迭代块,引入校准比例指数,利用最小熵自聚焦法完成无人机视觉导航的误差补偿任务。研究结果表明:基于自适应滤波的无人机视觉导航误差补偿方法具备良好的图像去噪效果,可以精确校准无人机视觉导航误差且鲁棒性较强。

一种旋转机械系统耦合故障诊断的新方法

旋转机械系统中,与转子振动响应相关的裂纹非线性开/合行为以及动-静件瞬态碰摩接触或齿轮啮合冲击、机座松动等缺陷或故障均会激起非线性振动,且不同的故障激励源相互作用,导致复杂的故障耦合形态,增加了故障诊断的难度。为此提出一种基于本征模函数能量矩-灰色关联分析的旋转机械系统耦合故障诊断方法。应用能量矩测度,从振动响应信号的经验模态分解本征模函数中分别抽取特征,然后进一步利用灰色关联分析对耦合故障的关联特性进行定量评价,从而实现复杂耦合故障模式的识别。仿真与实验研究结果验证了方法的有效性。而且,利用本方法可以对故障的严重程度进行排序,可以有力地支持合理的维修决策的制定。

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。

基于EMD和近似熵的储层预测

通常情况下,不同地层特征对应的地震波复杂程度是有差异的。近似熵是一种反映信号复杂程度的特征量,对储层特征有一定反映。但由于地震波是有一定带宽的信号,波形受带宽内所有频率成分的影响,如果直接进行近似熵的计算,其结果往往不能很好地反映储层特征。鉴于这种情况,提出了经验模态分解法(EMD)与近似熵相结合的方法,利用EMD分解后的每一个地震波的本征模函数(IMF)分量进行近似熵计算,并与已知井对比分析后,选取对储层特征识别有效的IMF分量进行储层预测。利用该方法对HZ地区珠江组进行了试算,效果较好。