基于ELCDCAN与EAM-FMD的电能质量扰动分析

针对集总局部特征尺度分解方法分解残余噪声大的问题,将正负自适应噪声对引入分解过程,提出一种互补自适应噪声的集总局部特征尺度分解方法。该方法在集总平均次数较少的情况下,能够减少单个内禀尺度分量的残余噪声,提高分解速度并保证分量的准确度。结合经验调幅-调频分解,提出一种基于自适应噪声的集总局部特征尺度分解和经验调幅-调频分解的电能质量扰动检测方法。首先利用自适应噪声的集总局部特征尺度分解方法对含噪电能质量扰动信号进行分解,获得不同特征时间尺度的内禀尺度分量;其次采用相关系数法剔除高频噪声及虚假分量,得到真实的电能质量扰动分量;最后利用经验调幅-调频分解对各阶内禀尺度分量进行解调,可以准确得到稳态扰动的瞬时幅值和瞬时频率等特征参数,并根据瞬时频率突变点对暂态扰动进行定位。仿真及实测数据检测结果验证了本文所提方法的可行性和有效性。

HPLC-ELSD法测定磷脂的纯度和含量

目的:测定磷脂辅料的纯度和含量。方法:以 YMC-PVA Silica 色谱柱为分析柱(柱温:常温),A:氯仿-异丙醇(50:50)和 B:氯仿-异丙醇-水(36:55:9)为流动相,采用梯度洗脱程序,流速1.0 mL·min^(-1),在蒸发光散射检测器(漂移管温度:40℃)下进行分析,进样量为20μL。结果:在1.0～1.60 mg·mL^(-1)范围内,磷脂对照品的峰面积(A)与其浓度(C)呈现良好的线性关系 A=7.717C-0.1652(R^2=0.9981)。最低检测限为1.7μg·mL^(-1),最低定量限为6.0μg·mL^(-1)。结论:本法用于测定磷脂辅料的纯度和含量快速、简便、专属性高、重现性好。

总体局部特征尺度分解及ELM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition,ELCD)及极限学习机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Intrinsic Scale Component,ISC);其次,根据分解后ISC分量计算时域指标、能量、相对熵,利用特征评估法提取敏感特征;最后,将敏感特征向量输入极限学习机(Extreme Learning Machine,ELM)进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。

总体局部特征尺度分解的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition, ELCD)的排列熵及相关向量机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Instrinsic Scale Component, ISC);其次,根据分解后ISC分量的峭度值选取主ISC分量,计算主ISC分量的排列熵并将其组合成特征向量;最后,将特征向量输入相关向量机进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。