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。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

采用改进互补集总经验模态分解的电能质量扰动检测方法

针对集总经验模态分解(EEMD)方法加噪参数(噪声幅值、集总次数)需人为确定、分解残余噪声大以及计算耗时长的缺点,提出一种自适应快速互补集总经验模态分解(AFCEEMD)方法.该方法分析不同频率形式噪声对极值点分布的影响,确定加噪频率采用高频辅助分解的优势,并以极值点分布特性作为评价指标自适应选择最优加噪频率.通过对EEMD加噪准则的研究,推导出加噪幅值和分解次数采取固定值:0.01SD和2次,且以正负成对的形式加入到原始信号中.通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的自适应性和计算性能,而且适用于电能质量扰动检测与分析.

集合经验模态分解的稳健滤波方法研究

为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法:首先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态混叠问题,将被测信号中不同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故障诊断。

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。

基于统计特征矢量符号值和聚类经验模态分解的短时电能质量扰动信号分析

研究了希尔伯特-黄变换(HHT)方法分析电能质量扰动信号的不足,提出了一种统计特征矢量符号化(SFVS)算法与聚类经验模态分解(EEMD)相结合的短时电能质量扰动信号分析方法。该方法采用循环周期比较的欧氏距离的边界检测算法来对电能质量扰动信号的突变时间进行检测,以突变时刻为边界点将原始电能质量信号进行划分,再用EEMD方法对区块划分信号进行分解,有效抑制模态混叠,以改善信号分解性能。测试结果表明,该方法能够实现突变时刻的准确检测,对电能质量扰动信号中的各种成分进行准确分析。

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低且检测耗时过长的问题,提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和一步式字典学习(one-stage dictionary learning,OS-DL)联合去噪的语音端点检测算法。首先利用EEMD算法对输入语音进行分解得到本征模式分量(intrinsic mode function,IMF),然后使用OS-DL算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明,该算法在复杂环境信噪比低于-10 dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。

一种集成经验模态分解的样本熵阈值微地震信号降噪方法

微地震信号的采集过程中,会不可避免地混合非平稳随机噪声,传统的线性滤波和频谱分析方法对这种混合信号的去噪效果并不理想。针对这一需求,本文提出了一种新的降噪方法。首先对含噪声的微地震信号执行集成经验模态分解(EEMD),获取一系列不同频率成分的本征模态函数(IMF);为了区分这些IMF分量中的信号和噪声,文中通过计算各个IMF分量的样本熵,根据所设置的样本熵阈值来提取符合微地震信号特征的IMF分量,并对这些IMF分量进行信号重构,由此达到抑制随机噪声的目的。将提出的方法应用于模拟数据和实测微地震数据,均表明该方法具有理想的降噪效果。

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法。首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类。为了提高诊断性能,本文利用集合经验模态分解方法对原始振动信号进行分解,将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF),然后利用一维卷积神经网络对IMF进行特征提取,最后采用SVM进行分类。结果表明,所提出的方法相比于现有方法收敛速度更快,诊断正确率可高达99%,突出了该方法的优越性。

基于集合经验模态分解去趋势的水分利用效率对气候变化响应的高程分异——以“21世纪海上丝绸之路”沿线省份为例

水分利用效率(WUE)是表征陆地碳-水循环耦合关系的重要指标,但其对气候变化响应的高程分异仍不清楚。通过集合经验模态分解(EEMD)去趋势和偏相关方法,以“21世纪海上丝绸之路”沿线省份为研究区,揭示WUE对气候变化的响应及其随高程的分异。研究结果表明:(1)研究区内WUE多年均值由中心向南北递减。不同植被类型的WUE多年均值由高到低依次为:常绿针叶林、混交林、常绿阔叶林、稀树灌木草地、耕地和城市建设用地。(2)51.11%的区域表现出均温与WUE的正相关;而81.46%地区表明温差的扩大会使得WUE增加;有近一半的研究区表明最高温的升高有利于提高WUE,而最低温的作用则相反;有67.99%的区域表明降水增多反而会导致WUE的减少。(3)在大多数土地覆盖类型,日温差和最低温主要与WUE呈正相关,而最高温和降水主要与WUE呈负相关。在常绿针叶林、耕地和城市建设用地,日均温与WUE呈负相关。在其他三种植被类型下则呈正相关。(4)在低海拔地区,均温与WUE呈负相关而在中高海拔地区则转变为正相关关系。而最高温则正好相反。降水与WUE的负相关关系系数随高度的增加而不断加强,而温差和最低温与WUE的正相关关系也随高度的增加而剧烈波动增强。

基于集合经验模态分解和BP神经网络的北京市PM2.5预报研究

利用集合经验模态分解算法(EEMD)和BP神经网络组成的混合模型,对北京城区PM2.5浓度值进行短期预报。结果表明,与单独使用BP神经网络模型相比,EEMD-BP混合模型的预报准确率更高;混合模型高频部分的预报误差是整体误差的主要方面;混合模型的输入变量中需包含输出变量的信息;前期污染物浓度的数值对模型的预报结果有较大的影响。

基于集合经验模态分解的超声检测信号处理

提出基于集合经验模态分解(EEMD)的超声无损检测信号处理方法。此方法在信号重构时,采用分量信号与原始信号之间的相关系数进行特征选取,可以有效地抑制模态混叠现象。通过仿真与实测信号的验证,集合经验模态分解方法更适用于超声无损检测信号的处理。

基于集合经验模态分解与门控循环网络的短期风功率预测

预测风网的发电量,合理调整机组维护人员活动,增加企业利润,稳定全网电力平衡,保障电网安全平稳运行。针对风电的不平稳性和波动性,本文基于EEMD分解的方法,建立了EEMD-GRU组合模型,并与其他单模型和组合模型进行对比,验证了该模型能有效地提高预测精度。

基于集合经验模态的随钻脉冲信号优良降噪算法

为了准确提取原始随钻钻井液脉冲信号,采用集合经验模态分解方法,基于固有模态分量构建不同的低通滤波算法,进一步采取方波整形处理,建立脉冲信号的降噪整形算法,并依据算法逼近度指标、相关度指标建立优良降噪算法的判断准则。利用单位脉冲信号、周期性杂波信号和高斯白噪声信号合成数值模拟钻井液信号,分析钻井液信号的降噪效果,所得优良降噪低通滤波算法由去掉前4个固有模态分量的其余模态分量及余项构成,其降噪结果能清晰描述单位脉冲信号,算法的逼近度达到0.7719,相关度高达0.8929。利用选定的优良降噪算法分析了实测的随钻测量钻井液信号,所得结果合理、有效。

基于EEMD分解的欧洲温度序列的多尺度分析

利用EEMD方法对欧洲5个站大于150年逐日温度序列进行分解,分析了欧洲温度序列的低频变化、年循环及季节变化。结果表明:欧洲5站温度低频变化均存在明显的特征时间尺度,即年际、年代际和世纪尺度等;年循环强度在1910—1940年及1970年年末以后的两个暖期里均处于偏弱的状态,尤其是最近30年里年循环强度减弱趋势更加明显;此外,与1910—1940年相比,在20世纪70年代末以来的暖期里,夏季更长,冬季更短。

上证基金指数波动结构分解与短期预测:基于EEMD模型

上证基金指数反映了基金市场的整体变动情况,研究其波动结构特征对基金市场参与者具有重要作用。研究结果表明:(1)上证基金指数序列可由经济基本面决定的趋势项、重大事件带来的低频分量和短期不均衡导致的高频分量构成,而且趋势项主导上证基金指数的长期走势,低频分量在中期对该指数有较大影响,而高频分量的影响可忽略不计;(2)与直接SVM预测法相比,EEMD-SVM组合预测法有更高的预测精度,说明EEMD分解得到的各结构分量有效地刻画了上证基金指数的内在运行特征。