基于RKF-EMD的禽类无线动态自适应称重系统

针对禽类养殖过程中人工称重费时费力、造成动物应激以及电子仪器易被破坏等问题,设计了一套适用于禽类的无线动态自适应称重系统。系统将经验模态分解和鲁棒卡尔曼滤波结合并做出适应性改进;针对秤台因粪便和饲料堆积造成的称重零点偏移问题,创新性提出了一种基于队列的自动去皮算法。通过在肉鸡养殖场实际应用和监测验证,结果表明,本文设计的适用于禽类的无线动态自适应称重系统能够快速准确地获得动物体重,且具有良好的自适应性、稳定性和鲁棒性。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。

基于改进EMD和GA-BPNN的机器人磨削颤振监测

由于工业机器人的灵活性,被广泛应用于机器人焊缝磨削任务中。但由于机器人的弱刚性,在焊缝磨削过程中系统容易发生颤振,因此对加工过程中的颤振监测是保证加工质量的基础。针对在加工振动信号处理过程中的模态混叠现象,提出了一种基于排列熵算法改进的经验模态分解方法,通过排列熵算法检测振动信号中的异常信号并剔除。通过相关系数法提取相关性最大的固有模态函数的能量熵作为特征值,同时提取方差、峰峰值、均方根和峭度4种时域特征。利用遗传算法优化BP神经网络(back propagation neural network,BPNN)建立颤振辨识模型,最后将提取的5种特征参数作为特征向量代入辨识模型中对加工状态进行监测。试验结果显示,提出的改进经验模态分解算法结合遗传算法优化的BPNN模型能够有效地对机器人焊缝磨削中的颤振进行监测。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于EMD分解算法的长距离特高压输电线路接地故障定位

由于传统方法在长距离特高压输电线路接地故障定位中应用效果不佳,不仅定位结果相对误差较大,而且定位时间较长,无法达到预期的定位效果,因此提出基于EMD分解算法的长距离特高压输电线路接地故障定位。利用电压传感器采集输电线路电压信号,通过EMD分解算法对信号进行分解处理,提取信号时域特征,根据时域特征确定接地故障位置,以此实现基于EMD分解算法的长距离特高压输电线路接地故障定位。经实验证明,设计方法定位结果相对误差在2 m以内,定位用时在1 s以内,在长距离特高压输电线路接地故障定位方面具有良好的应用效果。

基于改进EMD-小波包的爆破振动信号降噪方法研究

针对经验模态分解(empirical mode decomposition, EMD)存在模态混叠和降噪效果不佳的问题,依据分解—正交—聚类—降噪—重构的思想,提出了改进EMD-小波包的爆破振动信号降噪方法。该方法融合了核主成分分析的正交性、K-means算法的聚类特性以及小波包的降噪优势,不仅可以消除EMD的模态混叠,也具有良好的降噪效果。研究结果表明:与自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis, CEEMDAN)和EMD方法相比,在模拟信号降噪试验中,改进EMD-小波包方法的信噪比(7.9 dB)最大,均方根误差(2.96)最小。在实测爆破振动信号降噪中,改进EMD-小波包方法降噪后的信号与原始信号相关系数最大为0.91。改进EMD-小波包和CEEMDAN方法的降噪效果相对理想,且改进EMD-小波包方法对10~60 Hz低频信号能量保存效果较好,对60 Hz以上中高频噪声的滤除效果最好。

EMD端点双极值延拓方法研究

使用经验模态分解(EMD)进行信号处理过程时,端点效应抑制是关键步骤。这里提出了一种基于包络匹配的双极值点延拓算法,实现了对EMD分解过程中端点效应的抑制处理,并通过了仿真验证。首先,将端点处连续的几个极值点的包络线作为模板子波;再者将模板子波与波形内部的极值包络进行有效匹配;然后将匹配区段前方的两个极值点作为延拓极值进行极值延拓,实现了抑制EMD分解过程中端点效应的目标。并通过仿真数据,验证了算法的有效性。

基于EMD与SSA-SVM的轴承故障诊断

为提高轴承早期故障诊断的准确率,使用经验模态分解(EMD)与麻雀算法(SSA)改进的支持向量机(SVM)结合的方式对故障进行诊断。首先,使用ADAMS软件采集6203轴承外圈、滚子及内圈故障的振动仿真信号;其次,将仿真信号及实际信号作为输入信号进行EMD分解,同时对分解的IMF分量选择自相关性最大的进行Hilbert包络处理;最后,对包络处理得到的故障频率选取前3个峰值采用SSA-SVM对故障进行诊断。不同的输入样本及不同的算法模型的诊断结果表明选取故障频率作为输入特征向量,在SSA-SVM中能够准确的诊断出故障类别,证明ADAMS能很好的解决轴承故障数据的采集问题,所用的诊断方法为轴承故障诊断提供了一种高准确率的方法。

基于无人艇的导航雷达目标检测跟踪算法

在无人艇利用导航雷达进行环境感知的过程中,针对雷达回波图中出现的区域破碎现象以及对运动目标进行跟踪时存在较大误差的问题,提出了一种应用于导航雷达的目标检测跟踪方法提高无人艇对水面目标的检测能力。首先,对雷达原始回波图像解析并进行预处理操作;其次,在图像连通的基础上,设计自适应阈值分割Hausdorff匹配算法对回波图和地图进行匹配,区分属于目标和陆地的回波;然后,对连续两帧的雷达回波图进行目标匹配;最后,通过加入预测序列模型的经验模态分解算法优化检测跟踪结果,提高获取目标信息的准确性。实验验证结果表明:对1 km内相对运动速度低于30节的水面目标,所提方法目标检测概率提升了6.5%,距离误差低于2%,航速误差低于6%,航向误差低于6°,整体性能优于工程中常用的检测跟踪方法。

基于数据挖掘的大学生就业指导资源挖掘方法

采用目前方法对大学生就业指导资源进行数据挖掘时,由于去噪性能差导致方法存在数据冗余、挖掘效率低和精准度较差的问题,因此提出了基于数据挖掘的大学生就业指导资源挖掘方法。利用H-BIRCH算法对就业指导数据进行聚类处理,结合EMD分解方法和小波去噪方法对不同类别的就业信息数据进行去噪,对去噪后的资源数据进行白化处理,采用图模型提取就业指导资源数据特征,完成就业指导资源挖掘。实验结果表明,该方法可以有效简化数据结构,数据冗余纠错率、数据挖掘效率和数据挖掘准确度较高。

EMD新算法及其应用

经验模态分解(EMD)算法是 Hilbert-Huang 变换(HHT)的核心算法,它的分解效果依赖于包络线的生成算法和端点延拓算法。采用分段幂函数插值算法求包络线,结合一种改进的端点延拓算法,得到了一种新的 EMD 算法。分析了分段幂函数插值算法的收敛精度,从数学角度解释了选取该插值算法的原因。最后,结合一个股票模型的仿真结果说明新的 EMD 算法效果更好。

EMD算法在移频信号解调中的应用研究

随着我国列车运行速度的不断提高,对列车运行自动控制系统的可靠性和安全性提出越来越高的要求。现存的算法大多考虑纯净的或SNR较高的移频信号。为了实现在强噪声背景下移频信号的可靠、准确解调,本文提出了一种基于EMD分解算法的移频信号解调方法,并进行了计算机仿真。仿真结果表明,用EMD分解算法能够从强噪声背景下分解出移频信号,结合FFT变换,可以实现移频信号的解调。与现存的算法比较,本文的算法简单,可实时性好。

经验模态分解(EMD)新算法及应用

经验模态分解(EMD)算法是Hilbert-Huang变换(HHT)的核心算法,它的分解效果依赖于端点延拓算法。介绍一种新的EMD的端点延拓算法,并通过一个仿真实验表明该算法分解信号更完全。

基于EMD的卫星动量轮性能可靠性建模

对于某些产品,如卫星动量轮,具有高可靠性、长寿命的特点。在对这类产品进行试验时,其时间相对产品的实际寿命通常相对较短,往往无法取得失效数据,那么利用传统的可靠性理论一般无法评定该类产品的可靠性。文中针对该类产品具有小子样、无失效数据的特点,从性能可靠性出发,提出了一种基于EMD算法的可靠性建模方法,同时,对EMD算法进行了改进,找到了一种简单有效的克服端点问题方法。通过对某型号动量轮的实例分析证明该方法对解决该类问题是行之有效的。

基于EMD和Prony算法的同步电机参数辨识

Prony算法是一种线性系统时域模态参数识别方法,对分析数据的噪声非常敏感,对输入信号要求较高。鉴于此,将经验模式分解(empirical mode decomposition,EMD)与Prony算法相结合的方法应用到同步电机参数辨识中。利用EMD的分解能力,对采集到的同步电机三相突然短路电流进行时空滤波和平稳化处理,除去高频噪声IMF分量,然后用Prony准确辨识出同步电机的瞬态和超瞬态参数。仿真试验结果表明该方法具有精度高、抗噪性强等特点。

基于改进EMD与滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出基于改进经验模态分解(Empirical ModeDecomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。计算滑动峰态序列频谱提取故障特征频率。实例研究结果表明:该方法能有效提取滚动轴承故障特征,可取得较直接滑动峰态算法及传统包络解调分析更好的效果。

基于EMD和MLEM2的滚动轴承智能故障诊断方法

针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。

EMD中包络算法改进的研究与分析

经验模态分解算法(EMD)是由美籍华人N.E.Huang提出的一种新的数据分析方法,已被广泛的应用于故障诊断方面的研究。但是作为新出现的信号处理,除需要进一步的理论证明外,EMD方法仍然存在着许多需要改进的地方。原始的EMD算法采用三次样条插值算法来拟合非平稳信号的上下包络曲线,其插值算法会引起过冲、欠冲和不完全包络等问题。为此提出了采用分段三次多项式贝塞尔插值算法作为EMD分解过程中的包络算法,从而减小分解过程中的误差,准确提取非平稳信号。最后,利用Mat lab软件进行仿真实验,结果证明能够有效的改进EMD中的曲线包络中的问题和边界效应。

基于大数据挖掘的光通信微弱信号检测研究

以高效、准确检测噪声淹没下光通信微弱信号为目的,设计基于大数据挖掘的光通信微弱信号检测方法。通过基于改进EMD与奇异值分解全面去除光通信信号中噪声分量,经灰狼算法寻优设置支持向量机参数后,由支持向量机模型构建信号分类超平面,分类检测样本中微弱信号。实验结果表明:光通信信号经所提方法去噪后,信号信噪比变小,最大值仅有0.01 dB;所提方法所检测的微弱信号波动幅值,与微弱信号实际幅值高度匹配,误差不超过1%,可100%检测出噪声淹没下光通信微弱信号的样本。