EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。

Hilbert-Huang变换提取水轮机振动特征信息研究

在分析水轮机振动信号特征的基础上,将Hilbert-Huang变换方法引入原型水轮机振动信号的分析,采用经验模态分解方法将振动信号分解到各个时间尺度上的本征模式分量函数(IntrinsicMode Function,简称IMF),再经过Hilbert谱分析来探讨基于HHT的振动状态识别方法。通过对原型水轮机振动信号的分析,用Hilbert-Huang变换方法对水轮发电机组振动信号特征提取做了新的探索和尝试。

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法。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式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型。试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型。

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量。对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值。仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性。

基于降采样HHT的水轮机振动信号研究

在分析水轮机振动信号特征的基础上,提出了一种基于降采样过程的HHT方法,并引入到原型水轮机振动信号分析中。该方法利用数字降采样对信号进行重采样,得到适当的采样率,再进行EMD分解提取具有明确物理意义的水轮机轴系振动模式分量信号,最后通过H ilbert谱分析来探讨基于HHT的振动状态识别方法。非最优工况下原型水轮机振动信号的实例结果表明,该方法计算简便且计算精度高。

水下主动声引信回波集成检测方法

针对水下主动声引信在复杂的自然干扰下难以准确检测的问题,结合目标回波信号与混响等干扰的各种宏观和微观信息,一方面利用改进的经验模式分解方法对引信系统接收的原始信号进行处理,得到不同模态的本征模式分量,以实现目标回波与混响的分离;另一方面利用本征模式分量得到瞬时频率方差检测统计量和能量检测统计量,将瞬时频率方差检测统计量和能量检测统计量进行组合,构建集成检测器,实现对水下主动声引信的优化检测。试验结果表明,与基于常规能量检测和瞬时频率方差检测方法相比,该方法具有更好的检测性能。

基于EEMD算法的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)脑电的方法,首先利用EEMD将EEG信号分解,得到各阶本征模式分量(IMF),然后提取有效特征,构成特征分量,最后用支持向量机(LS-SVM)对其分类;采用德国波恩癫痫研究室临床采集的癫痫脑电数据库,实验结果表明:特征提取方法对癫痫发作间歇期和发作期EEG的分类正确率最高可达99.5%。

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法。该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取。城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断。

融合EMD与全局版人工鱼群LS-SVM的网络流量预测

为提高网络流量预测模型对稳定性和精度要求,提出了一种融合经验模式分解(EMD)和全局版人工鱼群LS-SVM模型的网络流量预测算法。该模型首先通过EMD分解,将原始流量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,再用LS-SVM模型分别对各分量进行预测,其中LS-SVM的参数用全局版人工鱼群算法进行优化;最后通过SVM组合得到原始序列的预测值。仿真实验验证了该算法的预测准确性和稳定性。

基于EMD和粒子群优化的LS-SVM的网络流量预测

针对网络流量时间序列呈现出的非线性、非平稳、多尺度的特点,提出了一种结合经验模式分解(EMD)和粒子群优化的最小二乘支持向量机(LS-SVM)的流量预测模型。通过EMD分解,将原始流量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,用粒子群优化的LS-SVM分别对各分量进行预测,通过SVM组合得到原始序列的预测结果。仿真结果表明,该方法不仅能够获得较高的预测精度,还能够反映原始流量数据的突变性。

基于经验模态分解方法的拉曼光谱信号处理研究

经验模态分解(EMD)方法是一个以信号内在物理频率成分为对象的自适应时频分析方法,而常见的非平稳信号分析方法,比如小波分析,它需要选择小波基,不同小波基的分析结果不同;拉曼光谱信号是典型的非线性和非平稳信号,EMD方法充分地保留了信号本身的非线性和非平稳的特征,适应于拉曼光谱信号的分析。实验在自行研制的拉曼光谱测试平台上获得了原始的拉曼光谱信号,并通过经验模态分解将信号分解成不同频率的10个本征模式分量,信号能量集中在750cm^(-1)和1 500cm^(-1)左右,最后进行了频率成分分析和去噪处理,并和小波分析方法进行了对比,验证了EMD方法的有效性和实用性,该方法在拉曼光谱信号分析中有较好的应用前景。

经验模态分解和最小二乘支持向量机在大坝变形预测中的应用

由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。

网络微信信息预测模型优化设计仿真

在对复杂网络中微信热点信息发现趋势预测模型研究过程中,微信热点信息一旦数据较大,会形成信息特征的不平稳性,信息形成混淆,采用当前算法建立的预测模型对网络中微信热点信息的混淆特征分解不够详细,无法精确反映微信热点信息发现趋势变化的特征,在建模过程中存在误差大的问题。提出采用改进灰色二阶算法的复杂网络中微信热点信息发现趋势预测建模方法。针对在复杂的网络中微信热点信息发现时间序列的非平稳特征,融合经验模式分解原理将其分解成等多个本征模式分量,利用灰色二阶算法组建相应的热点信息趋势平稳的时间序列预测模型,利用发现趋势原始数据提供的信息将模型中待辨识的趋势参数与边值进行非线性组合,并进行重新的辨识。仿真结果证明,利用灰色二阶算法建立的复杂网络中微信热点信息发现趋势预测模型建模精确度高。

基于两类特征和最小二乘支持向量机的齿轮故障诊断方法

针对齿轮振动信号非线性非平稳特性,为避免传统"时-频"分析方法在表征设备状态时的不足和样本数量少易造成故障辨识模型"欠学习"的问题,提出一种基于峭度、本征模式分量(Intrinsic mode function,IMF)能量两类特征和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的齿轮故障诊断方法。首先,对所测齿轮振动信号在集合经验模式分解(Ensemble empirical mode decomposition,EEMD)的基础上提取有效IMF分量计算其能量特征和峭度值,据此构建时频域两类特征向量;其次,将融合后的齿轮正常、齿根裂纹、断齿3种状态下的时频域两类特征向量作为输入,基于LS-SVM建立齿轮故障诊断模型,进行齿轮故障识别。实验结果表明,该方法能够准确地识别齿轮的工作状态,与基于BP、SVM的故障诊断模型相比,其具有更高的识别率,为齿轮状态识别和故障诊断提供了一种新途径。

随机共振消噪和EMD分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行EMD分解,通过求取本征模函数(Intrinsic Mode Function,IMF)幅值谱,从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号检测,更有效地应用于轴承的故障诊断。

基于HHT的水轮机空化信号研究

水轮机是水力发电机组中的关键设备,空化又是水轮机组运行过程中影响其稳定性和效率的因素之一。由于水轮机结构和运行的特殊性,空化不易被直接观测,采用水轮机空化声信号监测是研究空化的有效途径。传统的傅里叶变换和目前常用的小波变换对于窄带低频信号的分析效果明显,但两种方法很难涵盖水轮机空化宽带高频信号。本文正是在此情况下,提出了一种新的空化信号分析方法,Hilbert-Huang变换(HHT)。该方法对信号具有自适应功能,经验模态分解分解能提取具有明确物理意义的水轮机空化模式分量信号。通过对同一空化信号分别进行小波和HHT分析比较,发现HHT方法更具计算准确、精度高等优点。将基于Hilbert-Huang变换方法引入到水轮发电机组空化信号特征提取中,对水轮发电机组故障诊断系统的准确度将是一个有效的提升。