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。

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EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究

针对滚动轴承的故障诊断问题,提出了一种基于集总经验模态分解(EEMD)、形态谱特征提取和核模糊C均值聚类(KFCMC)集成的故障诊断新方法。首先,对实测的滚动轴承振动信号进行EEMD分解,得到若干个代表不同振动模态的内禀模态函数(IMF);其次,基于峭度、能量和均方差三个评价指标,从分解得到的若干个IMF分量中选出含有故障特征信息最丰富的3个IMF分量作为诊断用的数据源;然后在选定尺度范围内提取每个IMF分量的形态谱平均值,将三个形态谱平均值构成一个三维特征向量,作为一个样本,形成样本集;最后,利用KFCMC完成对滚动轴承不同故障的分类识别。此外,为了对比说明该方法的识别效果,还将振动信号用经验模态分解(EMD)方法进行分解,用模糊C均值聚类(FCMC)进行分类识别,结果表明所提方法的识别效果要优于EMD形态谱和FCMC相结合的方法。通过对实测的滚动轴承振动信号的实验验证,表明该方法可以实现对滚动轴承故障的有效诊断。

基于自适应CEEMD方法的电能质量扰动检测与分析

针对现有时频分析方法处理非线性、非稳态信号自适应性的不足,提出了一种自适应互补集总经验模态分解(ACEEMD)方法。该方法通过对加噪辅助分解方法噪声准则的研究,引入相关均方根误差与信噪比两个参数作为加噪评价指标,自适应确定最优加噪幅值和集总分解次数。且加入的噪声以正负成对的形式加到目标信号中,克服了原始分解方法存在的模态混叠问题、端点效应以及残余噪声大的缺点。最后将改进的方法与Hilbert变换相结合运用在电能质量扰动检测中,通过仿真实验验证所提方法既可以有效提取扰动的频率、幅值等特征参数,也可以准确定位扰动的时间,为电能质量检测与分析提供了一种新思路。

基于EEMD-HT与LSSVM的柴油机辐射噪声品质预测技术

为了预测柴油机辐射噪声品质,采用基于集总经验模态分解(EEMD)、希尔伯特变换(HT)与最小二乘支持向量机(LSSVM)相结合的柴油机辐射噪声品质预测方法.该方法先采集柴油机辐射噪声信号,进行滤波和EEMD,再用HT得到相应的特征模态函数(IMF)分量的瞬时频率并对其进行临界频率带计权,最后计算其能量得到声音信号特征作为输入;用等级评分法对柴油机辐射噪声进行主观评价试验,把主观评价值作为输出;利用LSSVM训练得到预测模型.同时,以心理声学客观参数作为LSSVM的输入,建立另一个预测模型.分别用两个预测模型进行预测,结果表明基于EEMD-HT与LSSVM的柴油机辐射噪声品质预测模型具有更高的声品质预测精度,即更加接近人的主观感受.

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。

基于HHT和模糊C均值聚类的轴向柱塞泵故障识别

提出了一种基于Hilbert-Huang变换(HHT)和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解(EMD)和集总经验模态分解(EEMD),结合短时最大熵谱分析选取对故障最为敏感的固有模态函数(IMF)分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明:EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。

基于HLS-SVDR和SPPCS的CEEMD的滚动轴承微故障特征提取

针对互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理非平稳随机信号时能够有效地消除模态混叠,却仍然存在包络拟合过冲/欠冲和端点效应问题,提出了同伦-最小二乘支持向量双回归(homotopy least squares-support vector double regression,简称HLS-SVDR)的保形分段三次样条(shape-preserving piecewise cubic spline,简称SPPCS)的完备CEEMD改进方法。首先,使用SPPCS插值法消除在构造上、下包络曲线过程中产生的拟合过冲/欠冲问题,获得有效的包络线;其次,使用HLS-SVDR对各层信号极值点的包络均值曲线两端进行左、右预测覆盖以抑制端点效应;最后,将该方法用于滚动轴承的微故障特征提取的实例分析中。实验结果表明,该方法能够更有效地提取滚动轴承微故障特征,实现了一种既保持CEEMD原有特性,同时又能够抑制过冲/欠冲和端点效应的完备CEEMD算法。

基于MEEMD与TEO的电缆故障测距方法

正确识别故障行波波头和精确的双端测距算法可保障电缆故障行波测距精度。为解决希尔伯特黄变换(HHT)中经验模态分解(EMD)存在的模态混叠问题,提出一种基于改进集总经验模态分解(MEEMD)和Tea-ger能量算子相结合的电缆故障行波检测方法。针对故障行波波速及线路实际长度变化对双端测距精度的影响,推导出一种不受波速影响的双端测距算法。PSCAD/EMTDC仿真结果验证了该方法可行且测距精度高。

基于EEMD-Hilbert谱的气液两相流钝体绕流流型识别

为了有效识别气液两相流的流型,以水和空气为实验介质,以涡街流量计为元件诱发钝体绕流,通过管壁差压法获取气液两相流钝体绕流的尾迹波动信号,采用集总经验模态分解对信号进行分解,通过Hilbert变换得到Hilbert边际谱,利用最大互相关系数法对固有模态函数进行筛选,选取特征固有模态函数能量比分别与体积含气率、两相雷诺数构建流型图。结果表明,构建的两类新流型图对单相水、泡状流、塞状流、弹状流等典型流型的识别率分别可达91.67%和88.89%,能较好地满足工程实际应用的需求。

基于最小二乘支持向量机的含噪语音识别算法

针对目前含噪语音识别准确率的问题,提出了一种基于集总经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的语音识别算法。首先将语音信号经过EEMD分解为特征模态函数(IMF)分量,然后经过筛选IMF分量实现去噪,再从剩下的IMF分量中提取美尔倒谱系数(MFCC)作为特征参数,利用动态时间规整法规整MFCC的特征帧,最后将MFCC导入LS-SVM进行训练,从而识别各种语音信号。仿真实验结果表明,该方法能够快速有效地识别各种语音信号,与EEMD结合BP神经网络方法相比,识别准确率更高,抗干扰能力更强。

基于振动的汽油机爆震始点识别与强度评价研究

研究了利用振动信号进行汽油机爆震检测和强度评价的方法。通过滤波对机体振动信号进行降噪处理,利用功率谱密度估计确定了爆震特征频率。将集总经验模态分解(ensemble empirical mode decomposition,EEMD)应用到机体振动信号处理中,结合连续小波变换(continues wavelet transform,CWT)对EEMD分解得到的各本征模态函数(intrinsic mode function,IMF)分量进行时频分析,确定包含爆震特征频率成分的IMF分量,研究了利用振动信号判别爆震始点的方法,并结合缸压信号对结果进行了验证。在确定了准确的爆震窗口后,提出了爆震强度评价参数K。试验用汽油机的计算结果表明:当K值超过20,可以判断有轻微爆震的发生;当K值超过80,则代表爆震强度较强,发生明显爆震。

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。

基于EMD改进算法的爆破振动信号去噪

为了解决振动信号经验模态分解(empirical mode decomposition,EMD)滤波去噪效果不佳的问题,提出一种自适应性正交经验模态分解(principal empirical mode decomposition,PEMD)的信号去噪方法。该算法融合了EMD分解的自适应性和主成分分析(principal component analysis,PCA)的完全正交性特点,对信号EMD分解过程中产生的模态混叠现象进行消除,得到了最佳的去噪效果。分析表明:PEMD在仿真模拟试验中相比于传统EMD算法和集总经验模态分解(ensemble empirical mode decomposition,EEMD)算法,信噪比分别提高了1.15 dB和0.38 dB,且均方根误差最小;频域上PEMD对仿真信号频率(30 Hz)识别的灵敏度最高,30 Hz之外的噪声滤除效果最好。在爆破振动试验中,PEMD和EEMD去除噪声毛刺的效果较为理想,且PEMD在0~300 Hz的中低频振动信号保存效果最好,300 Hz以上的高频噪声滤除效果最好。

基于EEMD-Hilbert谱的涡街流量计尾迹振荡特性

为了研究涡街流量计尾迹振荡特征,采用集总经验模态分解(EEMD)-Hilbert谱方法,对测量介质为空气、流量范围为10.58~220 m^3/h的涡街流量计管壁差压信号进行处理,首先用EEMD方法对管壁差压信号进行分解,得到固有模态分量,然后对分解后的各个分量进行Hilbert变换,得到Hilbert谱和边际谱,进而提取管壁差压信号的旋涡脱落频率。比较了Fourier变换与EEMD-Hilbert谱方法在信号去噪和频率提取方面的性能。结果表明:EEMD-Hilbert谱方法可有效去除叠加在实际涡街成分之中的噪声,能够较完整保留尾迹振荡的固有成分;在流量较低时,EEMD-Hilbert谱方法对尾迹振荡频率的提取精度比Fourier变换高30%以上,有效拓展了涡街流量计的测量下限;通过计算能量比,揭示了EEMD-Hilbert谱方法提高频率提取精度的原因,即EEMD-Hilbert谱方法降低了信噪比;Hilbert谱直观表示信号的时间-频率-能量关系。

基于EEMD-GABP的某地区短期负荷预测研究

电力系统负荷是具有典型周期性和随机性特点的非线性、非平稳时间序列的负荷系统。为了降低负荷序列的非线性,提高预测精度,提出了集总经验模态分解法(EEMD)和基于改进人工神经网络(GABP)的短期负荷预测法。运用EEMD将负荷序列分解成若干不同频率的平稳分量,突出原负荷数据局部特征,解决了经验模态分解法(EMD)中分类模糊问题,同时利用GABP网络进行预测,解决了BP容易陷入局部最优解的问题,选择合适的参数对各分量构造不同的EEMD-GABP预测模型,引入气象因子对各分量分别预测,重构后得到最终预测值。算例表明,基于EMD-GABP预测模型的负荷量预测精度高于差分整合移动自回归移动(ARIMA)模型、支持向量机(SVM)模型等传统模型,稳定性更强。

单形进化算法优化的SVM滚动轴承故障诊断

由于支持向量机的参数优化算法存在控制参数多、易陷入局部最优解的问题,提出了一种单形进化算法优化的支持向量机滚动轴承故障诊断方法。首先,单形进化算法利用全随机的方式建立粒子的单形邻域搜索算子以减少算法控制参数,建立粒子多角色态搜索策略以避免算法陷入局部最优解;然后,将单形进化算法应用于支持向量机的参数寻优,并用滚动轴承信号完成故障诊断;试验中,采用滚动轴承信号的集总经验模态分解的能量特征作为输入,进行算法的性能分析与测试。结果表明该算法可以有效地缓解粒子陷入局部最优解,且减少了控制参数,并能完成滚动轴承故障信号的诊断与识别。