总体平均经验模式分解与1．5维谱方法的研究

针对复杂背景下机车走行部齿轮箱齿轮裂纹故障微弱特征的提取问题,提出了总体平均经验模式分解(EEMD)与1.5维谱的故障特征提取方法.首先运用EEMD方法对振动信号进行自适应抗混分解,得到不同频带的基本模式分量(IMF),然后运用1.5维谱方法对含有故障特征信息的IMF进行后处理.该方法具有避免模式混淆、抑制高斯白噪声、检测非线性耦合特征等特性,并以此来提取故障的微弱特征信息.根据待处理信号的时频特性与EEMD原理,提出了在EEMD方法中加入高斯白噪声的准则,通过信号仿真验证了EEMD方法的抗混分解能力.将EEMD与1.5维谱方法应用于机车走行部齿轮箱的监测诊断中,成功地提取出齿轮箱大齿轮齿根早期的裂纹故障.

自适应总体平均经验模式分解及其在行星齿轮箱故障检测中的应用

总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)是针对经验模式分解(Empirical mode decomposition,EMD)存在的模式混淆问题而提出的,对分解信号加入高斯白噪声,改善信号的极值点分布,经过多次平均,从而达到减小模式混淆的目的。然而,EEMD分解效果取决于添加噪声的幅值、筛选次数等参数的选择。目前的研究通常是人为选择这些参数,具有较大的盲目性和主观性,因此分解结果差强人意。为了解决以上问题,提出一种新的自适应总体平均经验模式分解方法。该方法基于EMD的滤波特性,在提取本征模式分量(Intrinsic mode function,IMF)的过程中自适应改变加入噪声的幅值,并对每个IMF自动选择不同的筛选次数,可以更好地削弱模式混淆。通过仿真试验验证了该方法的有效性,并将该方法应用于行星轮故障检测中,取得了比EEMD更好的故障检测结果。

基于集总经验模式分解和支持向量机的液压泵故障预测研究

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解(EEMD)和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。

基于迭代的集总经验模式分解算法的齿轮箱故障特征提取

针对集总经验模式分解方法(Ensemble Empirical Mode Decomposition,EEMD)在实际应用中存在的盲目添加白噪声的问题,提出了一种迭代的集总经验模式分解方法(Iterative Ensemble EmpiricalMode Decomposition,IEEMD)。首先介绍了IEEMD方法,然后将EEMD方法与IEEMD方法用于实际齿轮箱故障信号的特征提取。结果表明,与EEMD方法相比,IEEMD方法可以得到更高分辨率的HHT时频谱图,可以从信号中提取更多的有用信息。说明IEEMD方法较好地克服了EEMD方法中存在的盲目添加白噪声的问题,适合于作为齿轮箱故障信号的特征提取方法。

基于集总平均经验模态分解法(EEMD)的星箭解锁分离机构冲击响应分析

基于集总平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),提出一种星箭解锁分离机构冲击响应信号分析新方法。通过EEMD,将星箭解锁分离机构解锁过程的冲击信号分解成不同模态分量(Intrinsic Mode Function,IMF)。结果表明前两阶模态分量IMF主要为冲击引起的高频振动,而IMF3之后为冲击激励引起的不同阶固有模态振动和局部振动,并通过模态实验验证了分析的正确性。

基于时频谱和集总经验模式分解(EEMD)包络谱分析的地铁车辆故障分析

在分析地铁车辆激扰源特征和影响的基础上,针对车辆振动信号非线性、非平稳性的特点,提出一种地铁车辆故障综合诊断方法:时频法(短时傅里叶变换、希尔伯特-黄变换)和基于集总经验模式分解(EEMD)的Hilbert包络谱分析法。对某异常地铁车辆进行测试,并运用该方法进行诊断分析。综合分析表明,该车辆转向架构架异常振动并开裂的故障源为车轮。这与车轮检测结果一致,说明此综合诊断方法准确有效。

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。

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.

基于集总经验模态分解和极坐标表示的瞬时转速诊断方法

为解决瞬时转速方法在诊断多缸中高速V型机发生失火故障时,存在的特征参数难以提取、诊断精度不高等问题,以发火间隔角不均匀的某V12柴油机为对象,进行了基于集总经验模态分解(EEMD)和极坐标表示的诊断方法研究。结果表明:构成本征模态函数IMF6分量的主频率为8.3Hz(0.5谐次),经过EEMD分解提取了0.5谐次成分,其幅值可作为判别单缸失火故障的特征值;将0.5谐次相位及其变化规律与极坐标表示结合,能够直观准确地定位故障。

基于经验模式分解和移动平均的金融时间序列分析

将经验模式分解理论应用于金融时间序列分析中,建立了一种新的基于经验模式分解和移动平均的综合分析模型。经验模式分解基于信号的局部特征时间尺度,能把复杂的信号分解为有限个基本模式分量之和,是一种完全在时域中进行的自适应分解,克服了小波等分解分析方法中的基函数选择问题,非常适用于非线性和非平稳过程的分析。股市分析实例表明,该模型能有效提高股市波动信号的信噪比,揭示股市价格的内在运动规律,增强分析结果的可靠性,在金融时间序列分析中具有很高的应用价值。

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。

基于二维集合经验模式分解的距离正则化水平集磁共振图像分割

针对现有磁共振(MR)图像分割算法大多直接在原图像上进行处理,分割效果受噪声影响较大的问题,本文引入二维集合经验模式分解(BEEMD)算法,提高距离正则化水平集(DRLSE)方法对MR图像的分割精度.算法中首先使用BEEMD将待分割MR图像分解为多个二维固有模式函数(BIMF),通过对各BIMF赋予不同加权系数重构待分割图像,从而增强分割目标;然后在DRLSE的边界指示函数中添加部分BIMF分量,恢复因高斯平滑被模糊的目标轮廓,并使用DRLSE方法对重构图像进行分割.通过对仿真图像和临床MR图像分割验证,表明本文算法具有较高的分割精度和鲁棒性,能有效实现对临床MR图像的分割.

基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断

为了及时发现和诊断有载分接开关(OLTC)的异常状态,在特征提取方面,结合驱动电机电流信号选取OLTC振动信号的特定时段,以突出状态特征;利用互补集总经验模态分解(CEEMD)得到振动信号的固有模态函数(IMF),针对OLTC振动信号的特点,提出基于IMF能量特征的降噪算法;设计了时频矩阵划分算法,提取划分线、峭度、包络谱熵、时频矩阵能量密度、时频矩阵变异系数等特征参量。在异常状态诊断方面,通过多个振动测点,同时实现OLTC本体和传动机构的异常状态诊断;建立了以局部异常因子(LOF)为诊断参量的OLTC异常状态诊断方法,通过待测样本与正常样本集的比较来发现和诊断OLTC的异常状态,具有较好的普适性。仿真和实验结果表明,基于该文提出的方法能有效发现和诊断OLTC的异常状态。

一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解(EEMD)去噪方法,该方法根据本征模态函数(IMF)能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。

基于混合经验模式分解的水轮机压力脉动分析

针对水轮机尾水管压力脉动信号的非平稳性以及经验模式分解(EMD)和集成平均经验模式分解(EEMD)的一些重要缺陷,以虚假分量识别和信号重构为基础,提出了一种混合经验模式分解方法。分别以仿真信号和某混流式水轮机尾水管压力脉动信号为例,验证了该方法相对于EMD和EEMD的优势。

经验模式分解的改进及其对球轴承缺陷的诊断

在分析经验模式分解存在问题的基础上,改进了经验模式分解的算法,提出用窗口平均法取代原极值包络法来计算局部均值。给出了窗口平均法的具体算法,并通过模拟信号进行了验证。结果表明,改进的算法减少了三次样条插值使用的次数,从而减少了信号分解的时间,并且所有的数据都参与了局部均值的计算,提高了数据的利用率。同时,用改进的EMD方法取代传统包络分析中的带通滤波器,对实际的缺陷轴承进行了诊断。结果表明,经验模式分解方法比传统的包络分析更有效。

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题,具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥整体平均经验模式分解的优势,将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时,分解出的前5个分量与未分解前信号的相关系数明显减小,因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试,研究结果表明,该方法能有效地实现海杂波下目标的探测,性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。

基于数据分解的上海港集装箱吞吐量预测模型

根据“分而治之”的框架,分别运用经验模式分解(Empirical Mode Decomposition, EMD)算法和季节性自回归积分滑动平均(Seasonal Autoregressive Integrated Moving Average, SARIMA)算法,将月度集装箱吞吐量时间系列数据分解为不同特征的分量,用支持向量回归(Support Vector Regression, SVR)模型分别对各分量进行预测,EMD-SVR模型和SARIMA-SVR模型预测结果的平均绝对百分误差(Mean Absolute Percentage Errors, MAPE)分别为 5.18%和7.26%,与港口实际吞吐量均较为一致,优于SVR模型的8.55%、自回归积分滑动平均(Autoregressive Integrated Moving Average, ARIMA)模型的11.8%和灰色系统(Grey Model, GM(1,1))模型的10.1%,验证数据分解方法在上海港集装箱月度吞吐量预测中的可行性,支持间接性预测模型精度高于直接模型的观点。