基于经验傅里叶分解的混合式高压直流断路器耗能支路故障检测方法研究

为实现更强的能量耗散能力,混合式高压直流断路器的耗能支路需串并联大量金属氧化物压敏电阻(metal oxidevaristor,MOV),耗能支路的可靠性将直接影响混合式高压直流断路器的可靠性。但是,现有的耗能支路故障检测方法并不能适应整个能量耗散阶段。为此,提出一种基于经验傅里叶分解的混合式高压直流断路器耗能支路故障检测方法,具体为:首先是信号预处理,对耗能支路每个子模块的分支电流进行归一化和一阶差分计算来获取分析电流;然后是故障特征提取,利用经验傅里叶分解(empirical Fourier decomposition,EFD)对分析电流进行分解,提取最高频时频分量作为故障特征分量;最后是检测判据,通过故障特征分量构造突变峰值量化指标,进而通过突变峰值实现耗能支路故障检测。大量实验表明,该检测方法可在能量耗散阶段末期实现可靠地故障检测,且具备一定的抗干扰能力。

基于多信号和改进经验傅里叶分解的故障特征提取方法

针对滚动轴承故障信号受设备多结构和复杂传递路径干扰,故障诊断准确性受到影响这一难题,提出了一种基于多信号改进经验傅里叶分解(MS-IEFD)的轴承故障特征提取方法。首先,为了充分利用多信号中的故障特征,利用改进经验傅里叶分解处理了两个不同测点测得的故障信号,设定各阶模态信号与原始信号的相关系数阈值为0.1,并以此为依据确定了信号分解的最佳个数;然后,提出了加权的谐波显著性指标对初始的频带划分进行了优化,避免了信号过分解,减少了带宽过窄的无效频带,以此指标最大值为准,确定了最优模态分量;其次,借助互相关分析的优势,分析了两信号的最优模态分量以进一步增强信号的特征成分,借助快速傅里叶变换准确提取了滚动轴承的故障特征,判断了轴承故障类型;最后,利用MS-IEFD方法对仿真和实验信号进行了分析,仿真分析时构造了信噪比为-10 dB和-15 dB的信号,用以模拟不同测点信号的情况,实验分析时利用实验台测得了不同测点处的滚动轴承振动信号。研究结果表明:MS-IEFD方法能从强背景干扰中准确提取出滚动轴承故障特征,为准确判断滚动轴承故障类型提供依据;与变分模态分解(VMD)等方法相比较,可进一步突出MS-IEFD方法在弱特征提取方面的有效性。

自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

基于改进经验傅里叶分解的工作模态分析

近年来,工作模态分析在结构参数识别中的地位逐步上升。针对环境激励下结构振动响应信噪比低的特点,引入自回归功率谱对经验傅里叶分解进行改进,并提出了一种基于改进经验傅里叶分解的结构工作模态分析方法。为了验证该方法的可行性和有效性,对四层模拟框架和某人行斜拉桥进行工作模态参数识别,并利用随机子空间所识别的结果进行对比。结果表明,该方法识别的模态参数与随机子空间的结果相当,并且在密集模态情况下,该方法具有一定优势。因此,改进经验傅里叶分解能为今后的结构模态识别提供参考。

使用快速傅里叶变换优化周期参数的EMD-FFT-SARIMA光伏发电预测模型

根据分布式能源工业园区的光伏电力单元特点,对园区光伏发电功率预测模型进行优化,为后续的调度策略提供数据支持。针对经验模式分解(EMD)与季节性差分自回归移动平均模型(SARIMA)相组合的EMD-SARIMA预测模型中,原始数据经过EMD分解得到的各固有本征模态函数(IMF)分量周期计算问题,提出加入快速傅里叶变换(FFT)的周期计算方法,建立EMD-FFT-SARIMA光伏发电功率预测模型。再将每个IMF对应的预测结果进行叠加重构得到最终的预测结果。通过预测结果的误差计算可以发现,加入FFT环节后均方根误差(RMSE)从120.6 MW下降到19.3 MW,平均绝对误差(MAE)从52.87 MW下降到12.3 MW。

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。

基于傅里叶分解方法的风电齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。

基于经验模态分解的预应力孔道缺陷信号分析

针对预应力管道缺陷测试中的冲击回波信号,提出一种新的信号处理方法.采用经验模态分解对冲击信号进行分解,得到一系列本征模态函数.对得到的本征模态函数进行快速傅里叶变换,对其频域信号进行分析.通过数值模拟和室内试验验证方法的可行性.结果表明,该方法较传统的快速傅里叶变换具有更强的抗噪性,并能成功分离出噪声、缺陷反射信号、表面波信号和模态振动信号.

基于优化EFD算法的风电行星齿轮箱故障诊断研究

行星齿轮箱作为风力发电机的关键核心部件,对其故障进行准确诊断能有效提升风力发电效能.行星轮系作为一种复杂的传动机械部件,其频谱表现异常复杂,且故障信息极易被无关成分或干扰成分淹没,而利用信号分解获取故障分量的方法在行星齿轮故障诊断中发挥着重要的作用.因此,针对经验傅里叶分解(empirical Fourier decomposition,EFD)易陷入局部频谱分割的问题,优化改进了EFD的频谱分割算法,即在原频谱分割算法上引入边界阈值机制,优化频谱分割边界点的选择,有效限制边界频率陷入局部的问题.通过构造多分量仿真信号对比分析原频谱分割算法和优化算法,并逐步增加分量成分对比分析.仿真分析结果表明,原频谱分割算法随着分量成分的增加,其边界频率逐渐陷入局部,而优化算法却能准确获取边界频率,验证了优化EFD算法的有效性,表明优化频谱分割算法是在原频谱分割算法上的有效改进.最后通过对风电行星齿轮箱实验数据的分析表明,与EFD算法相比,优化EFD算法获取的边界频率不易陷入局部,可以更好地获取故障分量.在对风电行星齿轮箱的故障诊断中,能更有效地识别故障频率成分和确定故障位置.

基于经验模态分解与传统水文分析法的降雨序列研究

为研究经验模态分解(EMD)法和传统水文分析方法在水文时间序列研究中的特点,以陕西省榆林市1951—2017年降雨时间序列为例,对该数据的趋势性和周期性成分进行了分析对比。结果表明:传统的Mann-Kendall(M-K)检验法与EMD方法都可反映出水文序列的趋势及转折点,且两种方法所得结果相似,反映出榆林市降雨量先增后减的变化趋势,但转折点时间有所差异。EMD方法与M-K方法得到的趋势项结果呈现形式不同,EMD方法所得趋势线可更加直观地表现原始序列的升降情况。周期性成分分析方面,榆林市年降雨量与夏季降雨量具有相同的周期规律。EMD方法所得模态相较于傅里叶分析法所得频谱更为丰富,但各模态所对应周期不明确,也难以对应实际的物理意义。EMD方法可作为传统水文分析方法在趋势分析及周期成分提取时的有效补充。

改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用

正弦辅助多元经验模式分解算法(SA-MEMD)通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.

经验模态分解在直流电动机性能测试中的应用研究

介绍了经验模态分解原理、直流电动机启动特性理论与试验采集系统,对经验模态分解在直流电动机性能测试中的应用进行了研究。应用经验模态分解将直流电动机的电枢电流信号分解为不同频率尺度的固有模态函数分量,结合快速傅里叶变换的频谱特性,合理选择固有模态函数分量组合并进行降噪、滤波处理,进而得到电枢电流的高频分量和基波分量。

基于经验模式分解的实测信号除噪方法

针对传统傅里叶变换和小波阈值除噪方法在密频和时变信号中的应用缺陷,引入局域波方法中的经验模式分解,将信号和噪声的频带进行有效区分,再结合传统傅里叶变换的经典滤波性能对原始信号所在的频段进行滤波。文章首先给出了该方法的实现过程,然后采用两个典型的密频和时变信号进行了数值模拟,并与小波变换去噪法的效果进行比较。

基于经验模态分解融合快速傅里叶变换的脉搏信号频域特征分析

糖尿病已经成为危害健康的重要因素之一。针对现有糖尿病患者无损检测中存在的不足,提出了一种基于经验模态分解融合快速傅里叶变换的脉搏特征分析算法。算法利用经验模态分解算法的自适应特点,将具有非线性非稳态特征的脉搏波信号进行经验模态分解重构,消除背景噪声对脉搏波的影响。然后,采用快速傅里叶变换对信号进行频域特征分析。实验结果表明:光学体积描记术信号的基频最大值偏移了12.5%,而且峰值也增加了63.64%;二次谐波向右偏移了26.67%,数值增加了16.28%。42名志愿者的统计分析也证实,糖尿病患者的光学体积描记术信号与健康人相比,基频的峰值会明显高于健康人群,且峰值所在频率也明显高于健康人群。因此,该算法得到的频域特征可以应用在糖尿病患者早期辅助诊断中,具有重要的应用价值。

基于卷积和长短期记忆网络的地浸开采铀浓度预测研究

文章通过集成经验模态分解(Empirical Mode Decomposition,EMD)、卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、傅里叶变换,提出了一种新型地浸单元浸出液铀浓度预测方法。该方法将浸出液铀浓度监测值时间序列使用EMD进行分解,分解为趋势项、周期项和随机项。通过构建CNN+LSTM网络,并结合傅里叶变换和多项式拟合对铀浓度趋势项、周期项和随机项进行预测,3者预测之和作为铀浓度预测结果。实证结果表明:EMD能够有效分解铀浓度时间序列,模型拟合度比未进行EMD分解的模型提升超50%;基于EMD、CNN+LSTM和傅里叶变换的集成方法预测精度良好,预测的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)为0.348,与LSTM、反向传播(Back Propagation,BP)和门控循环网络(Gate Recurrent Unit,GRU)等模型相比最高提升超80%。文章提出的集成方法能够准确预测浸采单元铀浓度变化,解决了原有方法和模型无法对非线性、非平稳铀浓度序列进行准确预测的问题,从而为地浸矿山生产规划提供技术支持,并有助于提升中国铀矿山的数字化、信息化程度。

基于自适应经验傅里叶分解的机械故障诊断方法

为了克服傅里叶变换、经验模态分解与傅里叶分解方法在分析非平稳信号方面的不足,提出一种适合非线性和非平稳信号分析的新方法——自适应经验傅里叶分解(Adaptive empirical Fourier decomposition,AEFD)。AEFD方法以快速傅里叶变换为基础,通过对变换系数进行分组重构,能够将一个非平稳信号自适应地分解为若干个瞬时频率具有物理意义的傅里叶本征模态函数(Fourier intrinsic mode function,FIMF)之和。研究了AEFD的分解正交性和精确性,通过仿真信号分析,将其与经验模态分解,变分模态分解和傅里叶分解方法等进行了详细对比,结果表明了AEFD的优越性。最后,为了提高故障诊断的精度和验证AEFD的有效性,将AEFD应用到转子碰摩和滚动轴承局部故障诊断中。试验数据分析结果表明,与经验模态分解等方法相比,AEFD不仅能够有效地诊断故障,而且诊断精度更高。

傅里叶变换轮廓术中基于经验模态分解抑制零频的方法

为了消除傅里叶变换轮廓术中零频成分的扩展对测量范围和精度的影响,将经验模态分解方法引入到傅里叶变换轮廓术中,对变形条纹图进行经验模态分解,将条纹图分解为一系列的从高频到低频排列的固有模态函数,达到将高频成分和低频成分相分离的目的,用以消除零频成分,提高测量范围。同采用相移消除零频成分的技术相比,此方法只需要一帧条纹图,测量装置简单、实时性强、计算速度快。文中给出了理论分析和实验验证。

非平稳信号分析的广义解析模态分解方法

现有的非平稳信号分析方法都有各自不同的缺陷,短时傅里叶变换的时频分辨率受不确定性原理的限制,希尔伯特黄变换存在端点效应和模态混叠,易导致模糊的时频分布;解析模态分解只适合分析频率恒定的多分量信号;针对包含多个时变模态、特别是频谱重叠的非平稳信号,本文提出了一种新的信号分析方法——广义解析模态分解(Generalized Analytical Mode Decomposition,GAMD).GAMD通过广义傅里叶变换将时变频率转换为频谱可分的,采用解析模态分解对其分解,再对得到的单分量信号进行逆广义傅里叶变换即可得到原始信号的分量.因此,GAMD非常适合分析时变的非平稳信号.通过仿真信号将GAMD与短时傅里叶变换和希尔伯特黄变换等方法进行了对比,结果表明GAMD方法的分解效果更精确,时频分辨率更高.

基于Zoom-FFT-CEEMD和小波包降噪的风电机组齿轮箱故障特征提取和诊断

基于信号处理的风电机组齿轮箱故障诊断是风力发电领域中的重要研究方向。针对风电机组齿轮箱故障特征提取问题,提出了一种基于Zoom-FFT-CEEMD和小波包降噪的方法。通过对在风电机组齿轮箱振动测点所采集到各个测点的振动加速度信号做RMS趋势分析,找出RMS趋势明显上升的测点和时间段。利用小波包降噪技术对该测点的振动信号进行降噪处理,互补集合经验模态分解(CEEMD)得到的分量对振动信号进行多尺度分析,再使用Zoom算法对齿轮箱振动信号进行局部放大,以突出故障信号。利用快速傅里叶变换(FFT)对放大后的信号进行频谱分析,以提高故障特征的提取准确性。实验结果表明,与传统频谱分析法相比,该方法能够有效地提取风电机组齿轮箱的故障特征,具有较高的准确性和稳定性,为风电机组齿轮箱的早期故障诊断提供了一种有效的方法。