基于LabVIEW的MEMD改进算法化工机械故障监测研究

针对化工机械故障诊断过程中未考虑特征数据间的相关性,导致诊断准确率低的问题,提出改变振动特征提取的方式,以提高故障诊断准确率。对多尺度熵的时间窗函数进行改进,以增加粗粒向量中的振动数据信息。引入自适应算法,进行向量距离计算优化,简化特征计算过程。将MEMD算法与改进后的多尺度熵相结合,同时对多个振动数据进行分析,通过振动向量之间的距离计算,确定其相关性;通过IMF分量筛选,输出最优特征矩阵;通过实验进行改进算法和改进系统的性能验证。结果表明,改进后的算法图去除的特征具有明显的可分性,能够更容易被识别分类,改进后的系统识别率有明显提高,相较于改进前具有明显优势。

基于MEMD与全息谱技术的加速度传感器信息融合

针对加速度传感器测得的多通道信号中存在耦合的问题,提出了基于多元经验模态分解(multivariate empirical mode decomposition,MEMD)与全息谱技术相结合的信号分析方法.首先使用MEMD对多通道信号进行自适应分解.然后选择工频的经验模态函数分量做全息谱分析,得到二维全息图和全息瀑布图,这些全息图可以直观地反映出振动形态的大小和方向,实现对振动模态特性的分析.最后将该方法应用于叉车方向盘的振动分析,分析的结果很好地验证了方法的正确性和有效性.

全矢MEMD能量熵在轴承故障诊断中的应用

故障轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量在频域上的分布会发生改变。针对单通道信号存在的信息遗漏和经典EMD算法在分解多通道信号时得到的IMF分量个数不同的问题,提出了全矢MEMD能量熵的滚动轴承智能诊断方法。首先利用MEMD算法将一组预处理后的同源信号分解为两组具有相同分量个数的IMF分量,且对应阶分量的频率尺度相同。然后分别计算相同尺度分量的全矢能量熵,并作为信号特征用支持向量机进行训练和识别,从而得到轴承的不同故障类型。实例分析结果表明了该方法的有效性。

基于MEMD互近似熵及FCM聚类的轴承故障诊断方法

提出了一种基于掩蔽经验模式分解(MEMD)互近似熵及模糊C均值聚类(FCM)的滚动轴承故障诊断新方法。MEMD可以有效抑制经验模式分解存在的模态混叠问题;互近似熵是近似熵的改进,能更好体现信号的不规则度和复杂度。信号经掩蔽经验模式分解后得到一组平稳的本征模函数(IMF),通过能量分析筛选出与原始信号最为相关的几个IMF分量,计算其互近似熵值以作为故障特征向量,能够直观体现设备的运行状况。故障模式识别采用的FCM算法,计算相对简单,聚类效果好。实验分析证明了该方法的优越性。

基于MEMD与MMSE的滚动轴承退化特征提取方法

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解(MEMD)与多元多尺度熵(MMSE)的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。

MEMD分解在舰船非平稳信号处理中的应用

在对舰船非平稳信号进行研究和分析时,希尔伯特-黄变换(HHT)方法表现出了其优越性,但此方法的核心算法EMD还存在缺陷。本文针对模态分解中出现的模态混迭现象进行分析,引入多分辨分析技术对经验模态分解方法进行改进—基于多分辨分析的经验模态分解方法(MEMD)。通过对信号模拟试验,并与原始EMD方法的结果作比较,得出了此法的有效性与可行性。

基于MEMD的管道阻塞声信号特征提取与识别方法

针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题,提出了基于多元经验模态分解(MEMD)的管道阻塞声信号特征提取及识别方法。利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适应分解,获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量(IMF),计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机(SVM)对不同运行状态下的管道声信号进行分类识别。实验结果表明:方法能够有效地对管道阻塞声信号进行特征提取及识别。

基于APIT-MEMD的电力系统低频振荡模式辨识新方法

传统多元经验模态分解(Multivariate Empirical Mode Decomposition,MEMD)在处理多信道量测信息时存在量测信道之间数据不平衡性及数据相关性导致的主导振荡模式辨识结果误差较大,且模式混合现象未有效消除。提出了一种基于自适应投影多元经验模态分解(Adaptive-Projection Intrinsically Transformed Multivariate Empirical Mode Decomposition,APIT-MEMD)的电力系统主导振荡模式辨识方法。首先采用APIT-MEMD将含有振荡信息的多信道量测信息整体分解,精确分离出各量测信道内含有振荡模式的固有模态函数(Intrinsic Mode Functions,IMF)信号。然后,采用Teager能量判据甄选能表征主导振荡模式的IMF信号。进而,采用希尔伯特黄变换(Hilbert-Huang Transform,HHT)实现对各IMF中所含主导振荡模式的频率和阻尼比估计。最后,将所提方法应用到IEEE-68节点时域仿真算例和辽宁电网广域实测算例中进行分析和验证,结果表明所提方法的可行性和有效性。

基于MEMD和空间层次聚类的PM2.5三角模糊序列多因子组合预测

日间PM2.5浓度受本地和邻近地区的多重因素影响,具有高度不确定性和不稳定性.常见的PM2.5实值序列和区间序列分别反映其日均和极值波动状况,三角模糊序列将两者优点相结合可包含更多的有效信息.基于此,提出基于多元经验模态分解(multiple empirical mode decomposition, MEMD)和空间层次聚类的PM2.5三角模糊序列多因子组合预测模型.首先,运用皮尔曼相关系数分析PM2.5与本地污染物浓度、气象要素间的关联度,选取本地影响因子;其次,计算PM2.5与空间污染物浓度间的关联度,并据此对邻近城市K-means空间聚类得到核心影响、一般影响和偏远影响城市群,并统计各城市群不同污染物的综合指数,即空间影响因子;进而,利用MEMD对PM2.5和影响因子的三角模糊序列同时进行分解,重构得到高频、低频以及趋势序列;最后,运用BP神经网络、长短记忆神经网络(long short-term memory, LSTM)、最小二乘支持向量回归(least squares support vector regression,LSSVR)分别对子序列进行多输入单输出的预测,并将上述单项预测结果相加,即得到PM2.5三角模糊序列的预测值.仿真实验结果表明,所提出的模型能够充分考虑气象条件和多种污染物的空间影响,具有较强的预测精度和良好的实用性.

基于MEMD的运动想象脑电信号的特征提取与分析

对于传统特征提取算法对运动想象脑电信号识别能力不足的问题,采用多元经验模式分解(multivariate empirical mode decomposition,MEMD)的方法用于分析运动想象的脑电信号。目前此方法主要应用在股票收益与宏观经济关系分析上,MEMD将标准经验模式拓展到多通道信号处理,适合于分析多元时间序列,并能够同时处理多通道的多尺度分解,进而在不同尺度下对多元时间序列的时间频率特性进行比较。通过Emotiv传感器对自定义的左右运动想象任务采集数据,采用MEMD提取相关脑电特征的边际谱,使用支持向量机对相关特征量进行分类。实验表明,此方法增强了定位脑电信号的频率信息的准确性,能够有效地提高对脑电信号的识别能力。

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

基于Transformer模型的手势脑电信号分类识别

基于无创脑电信号的精细手势动作识别是脑卒中患者运动功能康复的重要技术手段。通过设计实际手势动作,以手指精细运动时的运动功能区长时程脑电信号作为数据处理对象,改进了一种基于自我注意的Transformer模型识别方法,分别从时间维度和空间维度构建了基于自我注意模块的Transformer模型及其变体top-k稀疏Transformer模型,并结合脑电数据结构特点设计了一种基于多变量经验模式分解-典型相关分析(multivariate empirical mode decomposition-canonical correlation analysis,MEMD-CCA)的混合去伪影方法,改进的Transformer模型取得了优异的分类识别结果。

基于全矢包络融合双层降噪处理的轴承故障特征提取

针对轴承故障信号受背景噪声影响,而难以准确提取故障冲击特征的问题,提出一种噪声辅助多元经验模态分解(Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD)与全矢包络快速独立分量分析(Fast Independent Component Analysis,FastICA)相结合的轴承故障特征提取方法。该方法将同源双通道信号进行NAMEMD分解,根据相关性系数选取包含故障特征的固有模态函数(Intrinsic Mode Function,IMF)进行重构;对重构信号进行快速独立分量分析,最后进行全矢包络融合,提取轴承故障特征。对实际轴承信号的分析验证该方法能有效提取完整高阶故障频率,同时降低包络谱特征统计参数的冗余。

一种改进的经验模型分解方法

在对复杂信号进行分析中,常把它展开成一系列基本信号,然后,通过研究每个基本成分或者相应系数的特点来分析复杂信号。Huang等人提出经验模型分解方法(Empirical Mode Decomposition,EMD),通过筛选,将复杂信号中分解成一系列内在模型函数(Intrinsic Mode Function,IMF)。在本论文中,作者对经验模型分解中的一个重要的筛选过程作了部分改进,提出了一种改进检验模型分解法(Modified EMD,MEMD)。利用改进检验模型分解法,能够既快又准确地获得内在模型函数,而且,得到的内在模型函数能保留原信号中各成分的瞬时频率的规律。

基于自适应多尺度脑功能连接的局灶性癫痫发作检测方法研究

利用长时程脑电图检测癫痫发作是临床中较为广泛的应用,然而这项工作乏味、耗时,且很大程度上依赖于临床医生的自身经验和主观判断,准确性和可重复性也较低。针对长时程脑电图检测癫痫中存在的问题,提出一种基于自适应多尺度脑功能连接的癫痫发作检测方法(AMBFC),并选取10例局灶性癫痫患者的发作期和非发作期的样本作为研究对象。首先在一个滑动时间窗内,通过多元经验模态分解(MEMD)提取19通道脑电信号的7个本征模函数(IMF)分量及残差;然后建立多变量自回归(MVAR)模型,利用有向传递函数(DTF)提取流出信息强度,进行特征组合,并通过主成分分析(PCA)降维保留原始特征数目的85%;最后经代价敏感支持向量机(CSVM)分类区分发作期和非发作期脑电,并通过五重交叉验证进行癫痫发作检测算法的效果评价。结果表明,AMBFC算法检测脑电癫痫发作得到的平均准确率为98.6%,精确率为81.9%,召回率为81.4%,F2值为0.80。与各IMF分量、DTF-CSVM算法等检测结果相比,AMBFC算法更具有优越性。有望应用于长时程脑电的实时监测。

基于多元EMD-AM/FM分解的多点非平稳雷暴风速模拟

雷暴风对建筑物和输电线塔等结构具有很大的破坏性。为了准确估算结构的动力响应,获得可靠的风速样本至关重要。该文结合多元经验模态分解(MEMD),调频函数/调幅函数(AM/FM)分解和本征正交分解(POD)建立了基于时频分析的非平稳多点风速的模拟方法。第一,采用MEMD分解多点风速,产生固有模态函数;第二,采用AM/FM分解计算各点的固有模态函数的瞬时频率和瞬时幅值;第三,利用POD对瞬时频率解耦;第四,将瞬时幅值和解耦后的瞬时频率用于重构多点非平稳风速。实测多点雷暴风的模拟结果表明:MEMD-AM/FM分解-POD方法能满意地模拟多点非平稳雷暴风速。

基于自适应多元多尺度熵的心电信号分类研究

针对目前单通道心电信号识别精度不高、现存多元分解方法效果不佳、多元非线性心电信号分析复杂等问题,提出了一种基于自适应多元多尺度色散熵的心电信号分类方法。首先利用频谱分析,创新性地引入了正弦辅助多元经验模态分解方法,对心电信号进行分解得到多元模态分量;然后结合多模态分解和色散熵的优越性,通过累加多元本征模态分量代替粗粒化采样,提出了自适应多元多尺度色散熵的方法获取特征熵值;最后将特征输入到多个分类器上进行分类,通过实验对比分析,在模拟信号和MIT-BIH数据上验证该方案的有效性。

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。

基于三轴加速度传感器的机械故障监测系统的设计与研究

基于单轴传感器的传统机械故障监测装置存在监测结果不全面、分析精度不高的缺点。为解决这一问题,采用先进的三轴加速度传感器ADXL372作为监测系统采集原件,结合低功耗的STM32F103C8T6单片机,作为监测系统的硬件基础。为了配合三轴加速度传感器,论文将结合经验模态分解(EMD)方法讨论一种基于三轴信号的多元经验模态分解(MEMD)方法,以此作为监测系统的数据处理基础。将以上两方面有机的整合在一起,就可以得到一个监测结果全面、分析准确的机械故障检测系统。