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。

迭代EMD-ICA与Levkov联合的瞬态响应工频干扰抑制方法

瞬态响应信号的获取过程中不可避免会引入工频干扰及工频谐波干扰,且具有非平稳小信号、工频干扰频率游动和频带混叠的特点,常规方法处理效果较差。针对该问题,提出一种基于迭代EMD-ICA与Levkov联合的瞬态响应工频干扰抑制方法。将EMD和ICA结合起来,通过EMD构造参考信号,从而满足ICA的使用条件来进行工频干扰抑制,由迭代EMD-ICA来克服工频频率游动的问题,使用Levkov法进行再次滤波来解决工频谐波干扰问题。

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。

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。

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-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。

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。

基于室内可见光通信的EMD-ICA联合降噪方案

背景噪声是消除可见光通信的重要组成部分。为此,本文提出一种基于经验模态分集(EMD)和独立分量分析(ICA)的联合去噪算法,能较好地实现有效信号与背景噪声的分离。该算法结合EMD自适应将信号分解为不同尺度振动模式的优点和ICA提取独立源信号的优点,对含噪信号进行EMD分解,获得固有模态分量(IMF),并采用模态相关准则对信号层与噪声层进行判定,将分界上的IMF分量构建虚拟噪声通道,基于ICA算法对原始信号进行信噪分离,从而得到降噪后的信号。

单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing,PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition,EMD)和快速独立分量分析(fast independent component analysis,FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition,SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。

一二次融合的智能集成开关在配电网上应用的研究

针对传统技术中一二次融合智能集成开关故障诊断不灵敏,应用效率不高,提出了新的应用方案。构建了EMD-ICA融合算法和BP神经网络算法模型,通过EMD-ICA算法,快速、准确地提取一二次融合智能集成开关故障信息的输出基函数,从混合信号中提取时域、频域和能量特征参数,将一二次融合智能集成开关故障信息数字化表示,便于用户更直观地分析故障信息、运行情况等。利用BP神经网络计算模型,采用反向传播算法将误差数据反向传播,以获取更高的学习效率。通过一二次融合智能集成开关的失效概率评价模型,及时、有效、全面地衡量系统是否正常运行。试验表明,这一研究方法引用误差低于±0.1%,对比误差在2%以下,总误差精度不超过5%。

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。

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.

独立分量分析方法在经验模式分解中的应用

若信号间的能量和频率比例过大,经验模式分解不能分解出正确的单一模式分量。针对这种状况提出一种经验模式分解与独立分量相结合的信号分析方法。该方法能分离出IMF分量的固有特性,消除EMD分解过后各IMF之间信息混淆问题,恢复各个单分量所丢失的信息特性,改善了经验模式分解能力不足所带来局限性,保障经验模式分解的有效性。通过仿真信号和实际工程信号研究,验证了该方法的可行性。表明该方法对信号分解和故障诊断具有很好的前景。

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。

参考经验模态分解-独立分量分析及其在GPS多路径误差处理中的应用

多路径误差在绝大部分应用中,其测站间相关性很弱,不能通过差分观测得到有效削弱,成为高精度GPS动态变形监测中的主要误差源。针对GPS多路径误差的特点,结合具有良好多尺度分解能力的经验模式分解方法(EMD)和具有良好盲分离能力的独立分量分析(ICA)方法,提出带参考信号的EMD-ICA方法来削弱多路径效应的影响。应用实例的结果证明了该方法的有效性。

独立分量分析–经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis,ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用ICA将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。