经验模态分解与阶次跟踪分析对机器人用精密减速器故障诊断

针对行星摆线针轮减速器的故障特征在摆动疲劳实验中难以提取的问题,本文提出了一种经验模态分解(Empirical mode decomposition,EMD)与阶次跟踪分析结合的方法对疲劳实验中的减速器进行故障诊断。通过对采集到的时域信号进行等角域重采样、经验模态分解、计算固有模态分量(Intrinsic mode function,IMF)的峭度值、选取固有模态分量重构、快速傅里叶变换(Fast fourier transform,FFT)后得到阶次图进行验证。结果表明:该方法能够准确的提取包含故障信息的固有模态分量,实现了行星摆线针轮减速器在非平稳状态下的故障特征识别。

基于经验模态分解-灰色关联度分析-蒲公英优化器改进Elman网络的锂离子电池健康状态估计

准确、可靠的锂离子电池健康状态(state-of-health,SOH)估计有助于提高电池设备的安全和稳定运行。针对目前SOH无法直接测量、健康特征难以提取和估计方法不足等问题,提出了一种基于经验模态分解-灰色关联度分析-蒲公英优化器(empirical mode decomposition-dandelion optimizer,EMDDO)Elman的锂离子电池SOH估计方法。基于NASA Ames研究中心公开的锂离子电池老化测试数据和实际实验测试数据,提出利用经验模态分解(empirical mode decomposition,EMD)对电池老化数据进行信号分解,从而得到反映电池SOH的特征分量,然后利用灰色关联度分析(grey relation analysis,GRA)对特征分量进行相关性分析来选择模型输入。最后,应用蒲公英优化器(dandelion optimizer,DO)对Elman网络的参数进行优化来提高神经网络的估计性能。实验结果表明,该方法能够准确地估计出锂离子电池的SOH,其估计结果的R2始终大于98%,此外,通过对电池数据在不同训练集数量情况下的SOH估计验证,进一步证明了所提出的估计模型有着良好的泛化性和鲁棒性。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

独立分量分析–经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis,ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用ICA将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。

基于经验模态分解及独立成分分析的微震信号降噪方法

针对微震信号具有高噪声、突变快、随机性强等特点,基于经验模态分解(EMD)及独立成分分析(ICA)提出一种微震信号降噪方法.首先,对含噪信号进行EMD分解,获得一系列按频率从高到低的内蕴模态函数(IMF),利用原信号与各IMF之间的互相关系数辨识出噪声与信号的分界,将分界之上的高频噪声滤除;其次,为有效去除分界IMF中的模态混叠噪声,基于ICA算法对分界IMF进行盲源分离,提取其中的微震有效信号,并将其与剩余的IMF累加重构,从而得到降噪后的微震信号;最后,利用快速傅里叶变换(FFT)时频谱对比分析降噪前后的信号特征,定性说明本文方法的有效性;引入信噪比和降噪后信号占原信号的能量百分比两个参数,定量说明本文方法能充分保留微震信号的瞬态非平稳特征,降噪效果明显.

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法。首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象。然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象。

基于经验模态分解和集对分析的粮食单产波动影响分析

针对江淮分水岭易旱区粮食单产波动的复杂性与非平稳性问题,运用经验模态分解方法对粮食单产及其影响因子进行多层次、多时间尺度分解,并采用集对分析理论分析粮食单产波动分量与其影响因子之间的相关性,从而定量化分析各影响因子对粮食单产波动的综合影响率,得出自然灾害受灾率对粮食单产波动的综合影响率为31.26%,在此基础上,通过分析旱灾和自然灾害对粮食生产的危害程度,求取旱灾对粮食单产波动的综合影响率为17.13%,该研究为该区旱灾综合治理与粮食生产决策提供科学依据。

参考经验模态分解-独立分量分析及其在GPS多路径误差处理中的应用

多路径误差在绝大部分应用中,其测站间相关性很弱,不能通过差分观测得到有效削弱,成为高精度GPS动态变形监测中的主要误差源。针对GPS多路径误差的特点,结合具有良好多尺度分解能力的经验模式分解方法(EMD)和具有良好盲分离能力的独立分量分析(ICA)方法,提出带参考信号的EMD-ICA方法来削弱多路径效应的影响。应用实例的结果证明了该方法的有效性。

基于经验模态分解和独立成分分析的柴油机噪声源识别技术

为有效地控制整机噪声能量和提高整机噪声品质,采用经验模态分解(EMD)和独立成分分析(ICA)技术,通过将EMD分解后的本征模函数作为ICA方法中的多个虚拟通道,解决了对单一采样信号进行盲源识别的欠定问题.将该思路应用于柴油机辐射噪声的主要噪声声源的识别研究,同时利用相干分析与时频分析技术实现柴油机噪声声源的准确识别.结果表明,EMD-ICA联合的噪声声源分离识别技术,可用来识别柴油机燃烧噪声、机械噪声声源,有效地克服了EMD技术在噪声声源识别中的模态混叠问题,降低了ICA技术对单一采样信号进行准确识别的难度.

基于经验模态分解的管道预警系统信号多尺度混沌特性分析方法

提出了一种用于油气管道安全预警系统的检测信号多尺度混沌特性分析的新方法。该预警系统基于Mach-Zehnder光纤干涉仪原理,沿管道同沟敷设一条光缆,利用其中的三条单膜光纤构成分布式微振动测试传感器,实时检测管道沿途发生的泄漏及其他异常事件。多尺度混沌特性分析方法是利用经验模态分解(EMD)方法对典型的异常事件振动信号进行分解,再分别对分解得到的固有模态(IMF)分量进行混沌特性分析,计算出不同尺度下的关联维数。该方法可更清晰地描述检测信号在不同尺度下的混沌特性。利用现场试验得到的信号对该方法进行验证的结果表明,利用多尺度混沌特性分析方法更容易有效地区分几种典型异常事件。

基于主成分分析的经验模态分解消噪方法

针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.

基于低通滤波和经验模态分解的舰船耐波性试验信号分析方法研究

针对舰船耐波性实测信号中趋势项难以消除而影响滤波精度这一问题,采用经验模态分解方法消除趋势项的影响。根据舰船对波浪运动响应的低频特点,在经验模态分解前先进行低通滤波,可使实测运动信号中的谱峰频率处在相对高频位置,减少EMD迭代次数,并使有用信息包含在第一个IMF中,方便对有用模态的识别。还针对实船耐波性试验无法直接获得垂荡位移的实际问题,对垂向运动加速度联合采用低通滤波、数值积分和EMD去趋势项消除积分误差的方法获得垂荡,通过模型耐波性试验以及对实舰横摇角速度采用该方法求得的横摇与实测横摇的比较,验证了该方法在舰船耐波性实测信号分析中的有效性。

基于递归高通滤波的经验模态分解及其在地震信号分析中的应用

将地震信号分解成包含频谱互不重叠的单主周期的分量有利于地震信号的分析.分析了经验模态分解(EMD)中模态混叠的内在原因和已有的解决方法,梳理了解决模态混叠的思路框架,进而提出了一种新的基于输入递归高通滤波的EMD算法.首先用递归高通滤波器将信号预分解成频率由高到低的多个分量,实现信号的等价带通滤波,再用EMD对各带通分量按频率高低逐级递归筛分,获得完备的经验模态分量.通过合成信号和地震信号的仿真实验表明,该算法较好地克服了模态混叠,获得了频谱互不重叠的单主周期分量,并成功用于震相分离和分析,为地震信号分析提供了一种新思路.

基于经验模态分解(EMD)的小波阈值除噪方法

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较．试验结果证明,当信号的信噪比较小时,基于经验模态分解的小波阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段．

基于经验模态分解的地震相分析技术

经验模态分解(EMD)方法是希尔伯特—黄变换的核心部分,可以将地震数据分解为多阶内蕴模态函数(IMF)分量,不同IMF分量具有不同的频率特性,不同的IMF分量对地震相的敏感程度不同,反映不同的地质信息。利用EMD方法结合kohonen神经网络的地震相分析可进行断层识别以及储层预测。文中将EMD方法应用于中国西部的实际地震资料分析,利用重构信号和分解得到的IMF分量进行波形地震相分析。模型试算和实际资料应用结果表明,用感兴趣的IMF分量能够重构信号,重构后的地震信号能够更加清晰地显示断层展布特征、有利储层范围等,提高了地震资料的信噪比和分辨率,对断层展布特征的认识和油气预测具有重要的参考价值。

基于经验模态分解和灰色关联度分析的仿真模型验证方法

比较分析仿真输出与参考输出之间的差异是仿真模型验证的一种常用手段。为解决系统输出为非平稳快变数据的仿真模型验证问题,提出了基于经验模态分解和灰色关联分析的验证方法。首先采用经验模态分解方法将仿真输出和参考输出均分解为趋势项和平稳项两部分,然后从位置差异和外形差异两方面刻画趋势项之间的差异,用谱密度差异刻画平稳项之间的差异,再者采用熵权法确定各类差异的权重,最后基于灰色关联度分析综合三类差异得到验证结果。通过实例应用,验证了方法的有效性。

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。

基于经验模态分解及自相关分析的微弱信号提取方法

为提取机械设备故障诊断中的某些微弱信号,给出一种新的提取强背景噪声中微弱周期信号的方法.首先对原始信号进行经验模态分解,得到理论意义上的固有模态函数;然后对各分解层做自相关分析,依据自相关图像,对可能含有周期成分的分解层进行频谱分析;最后可提取微弱周期信号的频率及幅值信息.通过仿真分析,证实该方法能够有效提取淹没于背景噪声中的微弱周期信号.

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。

一种基于经验模态分解(EMD)的位场分离方法

经验模态分解(EMD)是一种利用信号极值特征进行时空滤波的方法。经分解得到不同阶次固有模态函数(包含从高到低不同频率段的成分),而残余量为信号的趋势分量,代表信号的平均趋势。本文将经验模态分解用于地球物理场的位场分解中,提出了一种基于EMD的位场分离方法。与常规位场分离方法中的滑动平均法和趋势分析法相比,EMD无须预先设置参数,因而不受人为因素的影响,其结果能够更好地反映位场的固有特征。应用该法对新疆准噶尔盆地准东地区的磁异常资料进行处理,从中识别出与石炭系油气有关的火成岩异常。