全矢IMF信息熵用于高速列车转向架故障诊断

针对高速列车转向架振动信号具有非线性、非平稳的特征,以及单通道故障诊断带来的信息不完整问题,提出了一种多元经验模态分解(multivariate empirical mode decomposition,简称MEMD)和全矢本征模态函数(intrinsic mode function,简称IMF)信息熵相结合的高速列车故障特征提取方法。首先,使用MEMD方法对同源双通道的振动信号进行分解,得到一系列的2元本征模态函数;其次,分别计算前6个IMF的全矢IMF信息熵,通过特征评价方法进行特征维数约简;最后,将得到的特征向量作为支持向量机的输入来识别转向架的故障类型。实验结果表明,该方法能有效提高转向架的故障识别率,最高可达到100%,验证了全矢IMF信息熵在高速列车故障诊断中的可行性。

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。

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。

EMD和ICAⅠ在掌纹识别中的应用

提出了基于EMD和ICAⅠ的掌纹识别方法,该方法利用二维EMD技术对掌纹图像进行分解,得到4个IMF分量和1个残余分量,用前4个IMF分量重构掌纹图像,然后利用ICA结构Ⅰ提取EMD重构掌纹图像特征并进行识别。采用香港理工大学掌纹数据库进行实验,由于充分利用了掌纹图像的EMD高频细节特征。与ICAⅠ、PCA方法相比,有较高的识别率和较快的识别速度,表明该方法有一定的理论研究价值和一定的实用性。