基于改进ELMD和sinc插值校正的电压闪变参数检测

新能源发电并网及大量非线性、冲击性负荷的应用造成的电压波动与闪变已成为不可忽视的电能质量问题。为实现非稳态电压闪变参数的准确提取,提出一种基于改进集合局部均值分解(ensemble local mean decomposition,ELMD)和sinc插值校正的闪变参数分析方法,通过sinc插值法替代局部均值分解法中移动平均插值,并利用噪声的统计特性构建改进集合局部均值分解方法,基于改进ELMD将非稳态电压闪变信号分解成一系列的本征模函数(intrinsic mode function,IMF)分量,然后对各分量进行Hilbert变换获得非稳态电压闪变包络信号的瞬时幅值和瞬时频率,最后针对局部均值分解(local mean decomposition,LMD)测量大于12 Hz闪变分量幅值误差较大的局限性,构建基于sinc插值的幅值误差校正模型,据此实现非稳态电压闪变参数的完整检测与分析。通过仿真和实验证明所提出的改进ELMD和sinc插值校正闪变检测相比传统基于LMD的闪变检测方法具有更高的准确度,受电网基波频率波动的影响很小,抗干扰性强,能有效实现非稳态电压闪变包络参数准确检测。

ELMD及核密度估计的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)及核密度估计的滚动轴承故障诊断方法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Production Function,PF),计算包含主要故障的PF分量的有效值、峭度、偏度系数,将其组合成特征向量;根据核密度估计的特性提出基于核密度估计的分类器,将特征向量输入分类器进行训练与测试,从而识别滚动轴承的工作状态和故障类型。实验结果表明,该方法能够有效的对滚动轴承故障进行识别,且效果较LMD方法好。

大坝变形多尺度分析ELMD-LSSVM预测模型

针对局部均值分解LMD实现过程中存在的模式混淆现象,利用局部均值分解的原理,提出一种结合总体局部均值分解(ELMD)与最小二乘支持向量机(LSSVM)方法的多尺度大坝变形预测模型.利用ELMD方法对大坝变形序列进行分解,得到其PF分量,利用最小二乘支持向量机进行外推预测,再把各PF分量的预测结果进行叠加重构,得到大坝变形预测值.通过实例验证分析,比较多元回归分析、LSSVM和ELMD-LSSVM三种模型在大坝变形监测数据处理中的拟合和预测结果.研究结果表明:ELMD-LSSVM方法能够减弱模态混叠现象的影响,充分发掘数据本身所蕴含的物理机制和物理规律,为大坝变形多尺度预测分析奠定较好的基础.

基于ELMD奇异值和LDA的变速箱特征提取方法

针对变速箱故障时振动信号的复杂性和实际信号特征的冗余性,提出基于总体局部均值分解(ELMD)奇异值和线性判别分析(LDA)的故障特征提取方法,并利用该方法分析某装备实车试验中测取的变速箱正常、齿轮断齿和滚动轴承滚动体点蚀等3种状态下的振动信号。结果表明:该方法提取的特征能很好地将变速箱的各种状态区分开,可以实现变速箱的智能诊断。

基于ELMD与LS-SVM的滚动轴承故障诊断方法

针对局部均值分解(local mean decomposition,LMD)实现过程中存在的模式混淆现象,提出了一种基于总体局部均值分解(ensemble local mean decomposition,ELMD)与最小二乘支持向量机(least squares support vector machine,LS-SVM)相结合的滚动轴承故障诊断方法。该方法先对滚动轴承振动信号进行ELMD分解,并得到若干乘积函数(product function,PF),然后选取包含主要故障信息的PF分量,提取其峭度系数与能量特征参数以构造故障特征向量,并作为LS-SVM的输入来识别滚动轴承的工作状态和故障类型。通过对滚动轴承正常状态,内圈故障和外圈故障的分析结果表明,基于ELMD与LS-SVM的诊断方法可以准确有效识别滚动轴承的工作状态和故障类型。

基于自适应噪声参数优化ELMD的行星齿轮箱故障诊断研究

针对总体局部平均分解(ELMD)中添加白噪声的振幅和集成次数两个关键参数设置依赖使用者经验,以及添加噪声后在信号重构过程中存在残余噪声污染和运算量大的问题,提出一种自适应噪声参数优化的总体局部均值分解(APOELMD)方法。该方法在局部均值分解(LMD)过程中添加成对高频正负白噪声,噪声的幅值和集成次数分别固定为0.01 SD(SD为原始信号的标准差)和2;不断地改变白噪声的上限频率,利用相对均方根误差这一指标来自适应地选取白噪声的最佳上限频率;白噪声的最佳上限频率确定之后,APOELMD方法即可实现最理想的分解效果。仿真实验结果表明,该方法显著提升了ELMD的性能,提高了诊断效率;将该方法应用于行星轮箱故障诊断中,能够精确提取故障特征信息,实现了对行星齿轮箱局部损伤故障的准确判别。

基于ELMD能量熵与AFSA-SVM的行星齿轮箱关键部件故障诊断研究

针对行星齿轮箱振动信号复杂时变调质特点使其"难表征",致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解(Ensemble local mean decomposition,ELMD)的能量熵与人工鱼群算法(Artificial fish swarm algorithm,AFSA)寻找支持向量机(Support vector machine,SVM)最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数(Product function,PF)。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。

ELMD熵特征融合与PSO-SVM在齿轮故障诊断中的应用

提出基于ELMD熵特征融合与PSO-SVM的齿轮故障诊断方法。该方法首先对原始信号进行总体局部均值分解(Ensemble local mean decomposition,ELMD),得到若干乘积函数(PF);其次,对ELMD分解得到的前5个PF分量进行求取能量熵和近似熵,并利用KPCA对其进行特征融合;然后,选取部分融合特征作为训练样本,其余作为测试样本;最后,利用PSO优化的支持向量机对融合特征样本进行训练与测试。实验中,将单特征和融合特征分别进行SVM和PSO-SVM识别精度的对比。实验结果证明,所提方法可有效地应用在齿轮故障诊断中。

基于改进ELMD和多尺度熵的管道泄漏信号识别

为预防城市管道泄漏事故,准确提取管道泄漏信号的特征,首先提出一种改进的总体局域均值分解(ELMD)与多尺度熵的管道泄漏信号识别方法,通过峰值波形匹配延拓法处理端点处的信号,减弱端点处信号分量的畸变、失真;然后对管道原始泄漏信号进行ELMD分解,得到一系列乘积函数(PF),计算各PF分量的多尺度熵值,根据熵值的大小筛选出含有主要泄漏信息的PF分量,消除背景噪声的影响;最后构建反向传播(BP)神经网络,并识别泄漏信号。结果表明:该方法减少了分解后的误差,能够实现管道泄漏的检测,与未改进的ELMD方法相比,泄漏信号的识别率更高。

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。

基于ELMD-MCKD在滚动轴承故障诊断中的应用

针对在强噪声环境下,滚动轴承故障特征信息微弱、特征频率难以识别的问题,提出基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最大相关峭度卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)的轴承故障诊断方法,用于处理轴承故障振动信号。首先,使用ELMD将原始数据分解为1组乘积函数(PF);然后,利用MCKD对每一个PF分量进行降噪处理;最后,对各降噪的PF分量求取包络谱,从而在包络谱中寻找轴承的故障特征频率。为了验证ELMD-MCKD在检测故障中的有效性,进行了一系列轴承故障模拟实验分析。结果表明,提出的ELMD-MCKD方法提高了轴承故障识别的准确性,可用于实际应用中的故障诊断。

最优参数MCKD与ELMD在轴承复合故障诊断中的应用研究

机械设备中滚动轴承复合故障的情况普遍存在。针对多种故障难分离和提取的问题,提出了基于最优参数最大相关峭度解卷积(Optimal Parameter Maxim Correlated Kurtosis Deconvolution,OPMCKD)与总体局部均值分解方法(Ensemble Local Mean Decomposition, ELMD)相结合的轴承复合故障诊断方法;首先利用排列熵值、包络谱稀疏度分别筛选MCKD中的最优滤波器长度L与冲击周期T,提取滚动轴承主故障;然后通过ELMD方法将非平稳信号分解为若干个分量,筛去主故障信息后,再次利用最优参数MCKD进行次故障诊断。通过对轴承信号的分析,验证了该方法能有效分离复合故障信号,具有一定的实用性。

基于ELMD与DHMM的风机齿轮箱故障诊断方法

针对风机齿轮箱早期故障信号信噪比低且故障难以准确诊断的问题,提出了基于集合局部均值分解(ELMD)与离散隐马尔科夫模型(DHMM)的风机齿轮箱故障诊断方法。首先对风机齿轮箱故障振动信号进行ELMD分解,得到一系列的乘积分量(PF),再对每个PF与原始信号求取相关系数进而滤除噪声信号以及由分解引起的虚假分量,然后对新信号进行标量量化处理得到特征向量,最后将每种状态下的特征向量输入已训练收敛的离散隐马尔科夫模型库进行状态判别并得出诊断结果。实验结果表明,对于风机齿轮箱早期故障诊断,所提出的方法具有一定的有效性和实用性。

基于ELMD能量熵与PSO-SAE的齿轮故障诊断研究

齿轮发生不同的故障会导致不同频带内的信号能量值发生改变,因此可通过计算不同振动信号的能量熵判断齿轮是否发生故障,而针对复杂多变的工况和噪声的干扰而导致的齿轮振动信号的非线性、非平稳性且由于数据量大等问题。传统的信号分析方法,已无法表征丰富,海量的信号信息与复杂的多元非线性信号关系。故本文提出基于ELMD能量熵与PSO-SAE的齿轮故障诊断研究。该研究首先对原始信号进行ELMD分解,得到若干个乘积函数(PF);其次,对ELMD分解结果的前7个PF进行求取能量熵作为特征样本。最后进入一个经粒子群优化后的深度学习网络即堆叠自动编码机网络(PSO-SAE)对特征样本分类。实验中,将PSO-SAE与两类常用支持向量机分别进行识别精度与运行时间的对比。实验结果证明,所提研究方案可很好地应用在齿轮故障诊断研究中。

基于ELMD和包络谱分析的滚动轴承故障诊断研究

针对旋转机械旋转部件可能出现的异常情况或者早期故障,提出了一种先利用总体局域均值分解(ELMD)分解振动信号,再结合包络谱分析进行故障识别的故障诊断方法。首先对故障振动信号进行ELMD分解,获得由纯调频信号和包络信号乘积构成的PF分量,并对其高频分量进行包络谱分析。通过包络谱和轴承故障特征频率结合分析轴承是否出现故障,实验结果分析表明,ELMD分解和包络谱分析结合的方法能有效地进行轴承故障诊断。

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。

ELMD与排列熵在滚动轴承故障诊断中的应用

针对轴承故障信号往往被强背景噪声淹没,采用传统包络解调方法难以提取故障特征的问题,提出总体局部均值分解(ensemble local mean decomposition,ELMD)与排列熵(permutation entropy,PE)相结合的轴承故障诊断方法。首先,对轴承振动信号进行ELMD分解并得到一系列窄带乘积函数(product function,PF),然后,计算各PF分量排列熵以构造高维特征向量,最后将高维特征向量作为多故障分类器的输入来识别轴承故障类型。实验结果表明ELMD方法可以有效地抑制模态混叠;PF分量的排列熵分布可以反应轴承不同工作状态下的信号特征;基于ELMD与排列熵的智能诊断方法可以准确地识别轴承的工作状态和故障类型。

基于ELMD-SVD和Prony的谐波间谐波检测方法

为了解决噪声干扰Prony算法提取谐波参数问题,提出了一种集成局部均值分解(ELMD)-奇异值分解(SVD)-Prony的谐波分析方法(ELMD-SVD-Prony)。首先采用ELMD分解含噪信号,对获得的一系列乘积函数(PF)采用K-L散度来确定含噪分量与有效分量之间的分界点,去除噪声分量并保留有效分量,对有效分量通过相空间重构Hankel矩阵,运用奇异值分解进行二次降噪并重构。最后将重构的信号与ELMD余项叠加得到去噪后的谐波信号,结合Prony算法检测谐波的频率、幅值与相位。仿真实验结果表明,该方法能有效降噪并提取谐波特征参数。

ELMD联合粒子群优化小波阈值的语音去噪研究

语音信号是一种非稳态的随机信号,而传统的时频分析法缺乏对这类信号进行最稀疏表示的能力,为此提出了一种完备的局部均值分解(Ensemble Local Mean Decomposition,ELMD)联合粒子群优化小波阈值语音消噪分析法:在对原始信号LMD(局部均值分解,Local Mean Decomposition)分解基础上加入高斯白噪声辅助分析的自适应分析法,以减轻分解后的产生模态混叠现象;对于分解后的分量中残留的噪声使用粒子群优化算法获得最优小波阈值滤除。对实际采集语音信号进行Matlab仿真的处理分析结果显示,该算法在抑制语音中的背景噪声有着良好的效果,且有效降低了对语音有效信息的损伤。