MCKD降噪的EMD-ICA滚动轴承故障诊断方法

滚动轴承在强背景噪声条件下的故障诊断通过经验模态分解(Empirical Mode Decomposition,EMD)构造的信号包络或将信号直接包络,在分析诊断过程中可能不会取得理想结果,诊断效果不够明显。文中提出在最大相关峭度解卷积(Maximum Correlation Kurtosis Deconvolution,MCKD)降噪的基础上进行EMD-ICA的滚动轴承故障诊断方法。首先对强背景噪声信号MCKD降噪,再进行EMD分解,经过相关系数及峭度准则的筛选,构造特征频率突出的合成信号,进行独立分量分析(Independent Component Analysis,ICA)处理;然后根据结构计算出故障频率,与包络解调的频率进行对比,得出诊断结论。通过仿真、实验和实际工程数据验证了该方法的有效性。

EMD-ICA联合的信号处理方法研究

经验模态分解(EMD)方法和独立分量分析(ICA)方法在信号处理中各有优势与缺陷,详细介绍了这两种方法,深入分析了EMD-ICA联合技术在信号降噪和信号提取中的实现过程,并对该方法在电力工程、机械工程及地震工程中的研究应用作了详细介绍。

基于EMD-ICA的激电数据降噪处理方法

针对传统降噪方法处理激发极化法(激电法)测量数据的效果不理想的问题,对经验模态分解方法和独立分量分析技术进行了研究,提出了一种新的激电数据降噪方法。首先,采用经验模态分解方法将原始测量数据自适应分解为有限个固有模态函数,再根据其与激发信号的相关性选择固有模态函数构造虚拟噪声通道,最后利用独立分量分析技术提取多维混合数据中的激电信号。利用仿真信号和实际数据对该方法进行实验,对比普通滤波方法和小波阈值算法,结果表明该方法能有效提高激电数据的信噪比。

EMD-ICA联合降噪在滚动轴承故障诊断中的应用

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其他能量较大的振源信号的干扰,致使传统滤波降噪方法存在很大的局限性。针对这一特点,提出经验模式分解(EMD)和独立分量分析(ICA)相结合的联合降噪新方法。将单通道振动信号进行EMD分解,基于互相关准则对分解后的本征模函数进行重组,构造虚拟噪声通道,并以此作为ICA的输入矩阵,采用FastICA算法实现源信号和噪声信号的分离,从而达到降噪的目的。将该方法应用于滚动轴承故障诊断中,对降噪后的重构信号进行频谱分析,进而判断滚动轴承的运行状态。仿真和试验分析结果表明该方法有效可行。

EMD和ICAⅠ在掌纹识别中的应用

提出了基于EMD和ICAⅠ的掌纹识别方法,该方法利用二维EMD技术对掌纹图像进行分解,得到4个IMF分量和1个残余分量,用前4个IMF分量重构掌纹图像,然后利用ICA结构Ⅰ提取EMD重构掌纹图像特征并进行识别。采用香港理工大学掌纹数据库进行实验,由于充分利用了掌纹图像的EMD高频细节特征。与ICAⅠ、PCA方法相比,有较高的识别率和较快的识别速度,表明该方法有一定的理论研究价值和一定的实用性。

改进EMD-ICA去噪在水轮机组隐蔽碰磨诊断中的应用研究

水电机组运行工况复杂,水、机、电以及噪声信号参杂耦合,早期的隐蔽的故障特征难以提取,给机组的运行造成隐患。为此,本文提出一种改进的经验模态分解(EMD)-独立分量分析(ICA)的新方法。通过经验模态分解将单通道信号分离成各个内禀模态函数(IMF),以能量波动系数为指标设定阀值,判断是否发生模态混淆。排除虚假IMF,选择与原信号相关系数较大IMF构造虚拟通道进行ICA分离,对分离信号提取其故障频率特征。以此方法指导国内某电站检修,成功排查出故障,证明此方法可以自适应、高效的去噪并提取振动故障特征,有很好的工程实用性。

EMD-ICA与SVM在滚动轴承故障诊断中的应用

针对滚动轴承非线性的早期故障信号,应用独立分量(ICA)将滚动轴承产生的故障信号从多通道混合信号中分离出来,然后采用EMD(Empirical Mode Decomposition)进行再次降噪并建立AR模型,最后提取模型的自回归参数和残差方差作为故障特征向量,并以此作为支持向量机(SVM)分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法是有效的。

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.

基于EMD和ICA的单通道语音盲源分离算法

针对单通道语音信号盲分离的问题,结合盲源分离和经验模式分解的优点,提出了一种基于经验模式分解的单通道语音信号源数估计和盲源分离方法。对语音混合信号进行经验模式分解,利用贝叶斯算法估计语音源数目,根据源信号数目重组多通道语音混合信号,并采用独立分量分析实现语音信号的盲分离。仿真实验表明,使用此法能有效地估计通道语音信号源数和分离盲源。

基于EMD与ICA的地震信号去噪技术研究

去除随机噪声是地震资料处理的重要环节,而目前的多数去噪技术都不同程度存在去噪效果差、损害有效信号等问题。为此,利用经验模态分解(Empirical Mode Decomposition,简写为EMD)能将信号自适应分解为不同尺度振动模态的优点及独立分量分析(Independent Component Analysis,简写为ICA)能提取独立源信号的优势,构造了一种EMD与ICA相结合的新的去噪算法,很好地实现了地震有效信号和随机噪声的分离,在提高去噪效果的同时提高了有效信号的保幅效果。将该算法应用于仿真实验和实际资料去噪,结果都明显优于总体经验模态分解(Ensemble Empirical Mode Decomposition,简写为EEMD)去噪结果,地震资料的信噪比和分辨率都大大提高。

基于振动信号EMD和ICA的刀具破损识别

针对多齿铣削过程中振动信号的特点,提出了一种基于经验模态分解(EMD)和独立分量分析(ICA)相结合的方法,对混叠在振动信号中的铣刀破损信号进行分离。对振动信号进行经验模态分解提取出信号中的所有本征模函数,然后应用fastICA对所提取出的本征模函数进行独立分量分析。利用该方法对铣削加速度振动数据进行了分析,试验表明,该方法可以提取出混合信号中与刀具破损状态相关的故障特征频率成分。

基于EMD-ICA的风电机组信号盲分离研究

为了去除风力机机组的噪声与振动信号等强干扰信号,采用EMD和ICA技术进行强信号盲分离。盲处理的优点是可以分离未知传递过程和源信号数量的混合信号。为了验证此算法的分离效果与可行性,给出了仿真实验。

基于声强试验与EMD-ICA模型的柴油机噪声源识别研究

噪声源识别是实现柴油机噪声控制的关键因素,合理有效的试验测试与时频分析技术是实现噪声源分离识别的重要手段。基于经验模态分解(EMD)与独立分量分析(ICA)算法建立EMD-ICA分离识别模型,并结合声强测量法与EMD-ICA模型对噪声源进行分离及特征提取研究,即充分利用了声强测量法准确、辨识精度高的优势,也实现了分析模型强大的数据处理能力。同时,采用相关性与相干函数方法有效探讨了EMD分解分量与ICA分离分量信号特征的一致性。研究结果表明,EMD-ICA模型能够实现单一通道测量信号的信号源分离识别,声强测量法也验证了该模型在实际应用中的有效性和可行性,对于柴油机噪声源控制具有一定的指导价值。

基于EMD-ICA音频特征提取的故障诊断系统设计

机械设备在运行时,其音频信号往往包含了诸多状态特征。然而在工业环境下,设备故障的音频特征易受现场各种噪声信号的干扰,致使音频信号在故障诊断中的应用存在很大的局限性。针对这一问题,设计了一种基于EMD-ICA音频特征提取的故障诊断系统。利用EMD-ICA联合处理技术,对参数未知的源信号进行了有效分解,进而通过峰值分析与峭度值分析对故障音频特征实现了成功提取。经测试表明,在杂波环境下,系统能对设备故障作出正确诊断,与传统的音频故障诊断系统相比,其诊断准确性具有较大优势。

EMD-Robust ICA在柴油机噪声源识别中的应用

为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解(EMD)和基于峭度的鲁棒性独立分量分析(RobustICA)相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离。模拟仿真的结果充分说明了该方法的可行性。应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波(CWT)时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声。

基于EMD的ICA降噪方法在电厂开关柜局部放电信号中的应用

电厂开关柜运行环境复杂,开关柜局部放电PD(partial discharge)信号常湮没在强烈的干扰噪声中,无法准确检测出可靠结果。为了提高电厂开关柜局部放电检测的可靠性,首先将检测到的含噪PD信号进行经验模态分解EMD(empirical mode decomposition),筛选出合适的本征模态分量IMF(intrinsic mode function)构造虚拟噪声通道;再将虚拟噪声通道与含噪PD信号作为输入,利用独立分量分析ICA(independent component analysis)算法将PD信号与噪声信号分离,提取PD信号。通过在仿真信号与实测信号中的应用表明,该方法能够较好地实现对含噪PD信号的噪声消除。与常见的小波降噪方法相比,该方法降噪效果更好,不仅降低了噪声的干扰,同时还很好地保持了原信号的特征。

基于ICA-EMD与SVM的滚珠丝杠故障诊断

针对滚珠丝杠振动信号的非平稳性,采用经验模态分解(EMD)进行信号处理。而传感器采集到的振动信号存在混叠现象,EMD分解能力受限,因此采用独立成分分析方法,重新分离三个振动源信号,对得到的新振动信号进行EMD处理,最后对各IMF成分进行能量分析,结合IMF能量及其他特征值,利用支持向量机(SVM)实现智能故障诊断。

EMD-Wavelet-ICA耦合模型及其在GPS坐标序列降噪中的应用

在分析比较经验模态分解(EMD)、小波变换(Wavelet)和独立分量分析(ICA)优缺点的基础上,提出一种新的EMD-Wavelet-ICA耦合模型。该模型充分利用了EMD的自适应性,对原始信号进行分解获得不同频率的模态函数(IMF),采用标准化模量的累计均值对IMF进行尺度划分;进而分别采用Wavelet和ICA对高频和低频IMF进行降噪,将降噪后的IMF进行多尺度重构,获得降噪后的信号;采用信噪比、标准差、偏差和相关系数等指标对降噪效果进行评价。仿真数据和GPS坐标序列的处理结果表明:与EMD模型和EMD-ICA模型相比,新模型的标准差、偏差均有不同程度的减小;信噪比和相关系数有一定程度的增大,可以获得更好的降噪效果。

基于ICA-EMD和Prony算法的区域电网低频振荡模式分析

针对互联电网低频振荡频现,已有低频振荡模式分析方法对噪声较为敏感和难以处理非线性、非平稳信号等问题,提出一种基于独立分量分析(ICA)与经验模态分解(EMD)有机结合的Prony关键振荡模式辨识法。通过对观测到的功角信号进行滤波预处理,并对其进行经验模态分解提取得到固有模态函数(IMF),将已得原始固有模态函数白化,接着用独立分量分析处理得到真正的IMF,用Prony算法辨识各IMF分量提取出观测信号中关键振荡模式。研究结果表明,该方法综合利用了ICA的去相关性和噪声抑制优势及EMD对复杂信号的分解能力,克服了Prony算法难以去除噪声和分解频率相近模式的缺陷,有利于提高辨识精度和准确性,更能满足实际应用需求。

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。