高速列车转向架故障信号的聚合经验模态分解和模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.

基于自适应噪声完整聚合经验模态分解-极限学习机的短期血糖预测

糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型。首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量IMF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警。利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.116 4%);低血糖预警虚警率和漏警率分别为0.97%和7.55%。血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果。

基于聚合经验模态分解的情感语音特征提取

特征提取是情感语音识别系统的关键过程,决定系统整体识别性能。传统特征提取技术假定语音信号是线性、短时平稳信号,不具有自适应性。为此,通过聚合经验模态分解(EEMD)算法以非线性的处理方式提取特征。情感语音信号经EEMD分解后得到一组固有模态函数(IMF),利用相关系数法筛选出有效分量集合,对集合函数计算得到IMF能量特征(IMFE)。选用德国柏林语音库作为实验数据来源,将IMFE特征、韵律特征、梅尔倒谱系数特征以及三者的融合特征分别输入到支持向量机中,通过比较不同特征的识别结果验证IM FE特征的有效性。实验结果表明,IM FE特征与声学特征融合后的平均识别率达到91.67%,可有效区分不同的情感状态。

采样频率对聚合经验模态分解的影响研究

根据聚合经验模态分解的特点对能量泄漏指数进行了修订,从非对准误差、能量泄漏、分解结果的正交性和相关性方面分析了采样频率对聚合经验模态的影响,分析结果显示离散化采样引起的非对准误差随采样频率的提高逐渐减小,而能量泄漏以及分解结果之间的正交性和相关性随采样频率改变近似呈周期性变化。并根据分析结果给出了聚合经验模态中采样频率的选取原则。算例结果表明,综合考虑上述各影响因素后,聚合经验模态较为理想的采样频率范围是信号最高频率的10.3～11倍。

基于聚合经验模态分解方法的OJ 287射电流量变化周期分析

BL Lac天体OJ 287是一个重要的Blazar天体,光变具有准周期特点.本文从密歇根大学射电天文台数据库收集了OJ 287射电波段4.8,8.0和14.5GHz超过30年时间的观测数据.由于天文观测资料的复杂性,一些传统寻找周期的方法不是太理想.近几年迅速发展起来的聚合经验模态分解(EEMD)特别适合于具有非线性和非平稳动态变化特性的Blazar天体光变规律的研究.运用EEMD方法对OJ 287的3个射电波段流量分别进行多时间尺度分解,各获得6个代表不同时间尺度局部特征信息的本征模态函数分量和一个趋势项.

基于ES-ALPF的行星齿轮箱故障特征提取方法研究

针对行星齿轮箱故障初期特征提取困难的问题,提出了一种基于聚合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、奇异谱分析(Singular Spectrum Analysis, SSA)与自适应线性预测滤波(Adaptive Linear Prediction Filtering, ALPF)结合的故障初期特征自适应提取方法。首先,利用EEMD预处理采集的振动信号,得到本征模态函数(Intrinsic Module Function, IMF)分量。其次,根据能量比选取IMFs重构信号。然后,利用SSA增强重构信号的非线性特征。之后,利用基于谱估计的自适应线性预测方法对非线性最突出的频段进行自适应线性滤波。最后,提取滤波后的信号包络,进行傅里叶变换,提取得到故障初期的微弱特征。在行星齿轮箱故障诊断试验台上进行了试验,所提方法与传统的基于EEMD-SSA的包络分析进行了对比,结果验证了该方法的有效性。

基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断

现有列车车轮失圆监测方法的准确性受车速及线路条件影响较大,为了更准确地监测车轮服役状态,文中提出基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断方法:车辆轴箱垂向振动加速度经数学形态学滤波器滤波降噪后,运用完全噪声辅助聚合经验模态分解(CEEMDAN)将其分解为一系列的固有模态函数(IMF),然后选取能量熵增量相对较大的几阶IMF分量进行Wigner-Ville分布(WVD)计算,从而叠加得到轴箱振动加速度的多尺度时频图,最后根据多尺度时频图的分布特征来诊断车轮状态。通过仿真分析和工程实例研究结果表明,运用该方法可有效地识别复杂工况下的车轮服役状态。

EEMD分解与多特征结合的地铁一系悬挂故障诊断

针对地铁运营过程中各类故障很难及时发现的问题,基于构架垂向振动加速度信号进行分析,将信号时域特征指标与聚合经验模态分解出来的固有模态分量的样本熵组合,构成多维特征向量,使用支持向量机进行故障状态识别。根据仿真实验数据显示,当地铁列车以76 km/h速度运行时,故障识别准确率达到并稳定在94%以上。

基于改进核极限学习机的风电功率短期预测

针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒子群算法优化核极限学习机的风电功率短期预测模型。首先,利用CEEMDAN对风力发电输出功率密切相关的环境因素进行分解,得到若干个规律性较强的模态分量,利用阈值去噪法对含噪声较多的第一模态分量进行去噪,削弱环境因素的非平稳性;然后,将分解后的子分量和风电功率历史数据作为粒子群优化后的核极限学习机算法的输入进行预测;最后,选用河北张家口某风电场的实测数据进行实验对比分析。实验结果表明:所提出的改进风电功率预测组合模型的预测精度更高,适应于不同季节环境下的风电功率预测。

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明:所提出的方法对于车速、故障类型和故障程度都有很好的自适应能力,故障识别准确率可达97%,且泛化能力强。因此所提方法在车辆运营状态在线监测的应用中具有一定的理论意义和工程价值。

时频能量谱与VGG16结合的车轮扁疤损伤程度估计方法

为了实现对运营中车辆车轮扁疤损伤程度的实时精准监测,提出了一种时频能量谱与VGG16卷积神经网络相结合的车轮扁疤损伤程度估计方法,该方法通过对车辆运营中轴箱振动加速度信号的分析处理来实时定量估计车轮扁疤的损伤程度。建立了车辆轨道刚柔耦合系统动力学模型和车轮扁疤数学模型,仿真计算不同扁疤损伤工况下的车辆轴箱振动响应。运用形态学滤波器以及完全噪声辅助集合经验模态分解结合Wigner-Ville分布的时频分析方法,将轴箱振动加速度信号滤波降噪后表达在时频能量谱中。构造了VGG16卷积神经网络模型,通过大量车轮扁疤故障数据的时频能量谱构造的训练集来训练VGG16模型。随机仿真若干车轮扁疤工况,对训练完善的VGG16模型进行测试验证。仿真试验表明,运用时频能量谱与VGG16模型结合的方法能准确地估计运营中车辆的车轮扁疤损伤程度,估计误差在1.6 mm内。

基于EEMD近似熵与神经网络的管道故障识别研究

管道故障声发射信号具有瞬态性和随机性,是一种非平稳随机信号,由一序列频率和模式丰富的信号组成,所以研究设计管道泄漏检测系统,研究泄漏声发射信号的处理、识别和定位方法是关键,本文提出采用通过模拟实验获取不同类型的3类信号:金属棒敲击、砂纸和断铅3种声发射声源信号。对获得的实验数据进行EEMD分解,并求取近似熵作为特征向量,应用BP和PNN进行信号识别,由此进行故障识别率对比,产生更有优势的识别方式。

基于EEMD样本熵的高速列车转向架故障特征提取

为了监测高速列车转向架关键部件的工作状态,提出了采用聚合经验模态分解和样本熵信息测度理论相结合的方法提取信号特征.以转向架正常、空气弹簧失气、横向减振器故障和抗蛇行减振器故障4种典型工况下车体及转向架的振动信号为研究对象,将信号进行聚合经验模态分解,得到一系列成分简单的固有模态函数,分别计算样本熵值构成高维特征矢量,最后采用支持向量机进行故障状态的分类识别.实验结果表明,列车在200 km/h速度下,故障识别率可以达到88%,证明了该特征提取算法的有效性.

高速列车转向架故障的经验模态熵特征分析

针对故障发生时高速列车转向架振动信号的特点,提出了基于聚合经验模态分解和5种信息熵相结合的特征提取方法。首先将振动信号进行聚合经验模态分解,有效地避免了模态混叠问题,然后对分解得到的本征模态函数提取反映信号复杂度的经验模态熵特征。利用该方法对高速列车转向架正常与空气弹簧、横向减振器、抗蛇行减振器故障4种工况下280个样本数据进行特征分析,随机取60%为训练样本,其余40%为测试样本。分析结果表明:分解过程不需要选择基函数和分解层数,因此,此方法具有良好的自适应性。在运行速度为200km·h-1时,识别率大于95%,证明了该特征提取方法对于高速列车转向架故障振动信号分析的有效性。

基于二次EEMD的Wigner-Ville分布旋转机械故障信号分析及试验研究

Wigner-Ville分布(WVD)凭借优良的数学性质被广泛应用于信号处理等领域,但因其不满足可加性而引起的交叉项却影响信号分析的准确性。针对此问题提出利用二次聚合经验模态分解(Ensemble Empirical Mode Decompo-sition,EEMD)消除Wigner-Ville分布交叉项的方法。该方法首先用EEMD将原信号分解成为若干本征模函数(IntrinsicMode Function,IMF),再利用EEMD对获得的IMF进行二次处理,得到一组新的IMF,然后对新得到的若干模态成分分别进行WVD计算,最后将各项结果求和得到信号的WVD分布。该方法在改善模态混叠的同时有效地消除Wigner-Ville分布交叉项,并保留Wigner-Ville分布的各种优良特性。将该方法应用于转子碰摩故障诊断,效果很好。

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化，严重影响高速列车运行的安全性和舒适度。为此，提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验，得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数，分别提取能量矩特征，反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入，在列车行驶200km/h的速度下进行转向架故障识别，结果表明，该方法的识别正确率可达到95％以上。

不同关门力度下乘用车关门声声品质评价

针对在主观偏好性试验中关门力度对听审者的主观评价有很大影响这一问题,考虑轻、重关门力度对声品质评价的影响,提出了一种新的关门声声品质评价参数——SE(sharpnessenergy)。即利用二次EEMD分解和Wigner-Ville分布得到样本的能量分布,参考尖锐度计算公式推导得到SE计算公式,并将其归一化为百分制,SE突出了高频成分对声品质主观偏好性的影响。为验证参数SE的有效性,将该参数和主观评价结果进行相关性分析,结果表明当关门力度不同时,SE与样本评价结果相关性更高,SE比尖锐度能更准确地反映高频成分对声品质的影响。

基于EEMD与GA-小波神经网络的传动系声品质预测

为了进行车辆传动系声品质预测,实施了传动系整车转鼓试验,并结合主、客观分析量化了影响传动系噪声烦恼度的主要异响指标;同时,通过相关分析揭示了心理声学客观参量与主观评价的内在关系。引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与本征模态函数(Intrinsic Mode Function,IMF)样本熵值对传动系噪声特征进行了提取;在此基础上,以Morlet小波基函数作为隐含层节点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),同时运用遗传算法(Genetic Algorithm,GA)优化小波神经网络的层间权值和层内阈值,构造出GA-小波神经网络模型并用于传动系声品质预测;为了对比所提取的传动系噪声特征性能,将心理声学参量也作为模型输入以进行预测,同时,为了对比GA-小波神经网络模型的预测效果,引入了传统的GA-BP神经网络模型。分析结果表明:GA-小波神经网络较GA-BP神经网络能更准确、有效地对传动系声品质进行预测,并且以本征模态函数样本熵值作为预测模型的输入特征其预测结果较心理声学参量效果更佳。

基于EEMD-KECA的风电机组滚动轴承故障诊断

针对传统频域诊断算法不能充分挖掘出非线性、非平稳信号内部本质信息的问题,提出基于聚合经验模态分解(EEMD)的复合特征提取和基于核熵成分分析(KECA)的故障自动诊断算法。该方法首先采用EEMD将原始信号分解成若干特征模态函数(IMF),计算IMF能量和信号的能量熵构建复合特征向量并作为KECA的输入,之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,实现故障的实时监测与自动诊断。采用KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,且不同特征信息之间呈现出显著的角度差异,易于分类。最后通过实际风电机组滚动轴承应用实例对算法进行验证,结果表明该方法可有效提取信号中的故障特征,实现对滚动轴承的故障诊断,相比神经网络分类方法具有更高的识别率。

基于EEMD-SVD-PE的轨道波磨趋势项提取

钢轨波磨检测是保障行车安全的重要手段,针对复杂钢轨线路波磨数据中的轨道起伏趋势提取问题,提出了一种基于排列组合熵(Permutation Entropy, PE)选取低复杂度奇异值分量重构趋势的EEMD-SVD信号去趋方法.相比已有的经验模式分解去趋算法,该方法考虑到原始IMF可能存在的信号成分混杂问题(如含有白噪声与信号的低频成分),首次提出通过奇异值分解来精确提取隐藏在多维IMF矩阵中的趋势项成分作为奇异值分量.由于协方差矩阵构建的奇异值分量排列时只考虑了能量的分布而未考虑趋势项信号低复杂度、高幅的特点,使用排列组合熵来选出符合趋势项特征的奇异值分量,最后对满足要求的奇异值分量进行重建得到最终的趋势项.为验证本文方法的有效性,分别进行了数字仿真和实际钢轨波磨数据去趋实验.数字仿真实验结果表明该方法整体去趋性能优于低通滤波法、与EMD结合的线性规划法和小波分解法,尤其在多信噪比的仿真实验中,当信噪比较低时,提趋准确率最大提高约30%.同时,实际钢轨波磨数据去趋实验说明本文方法能够适用于钢轨波磨检测.