基于CELCD和MFVPMCD的智能故障诊断方法研究

针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解(Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition,CELCD)和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解(Local Characteristic scale Decomposition,LCD)得到各去除端点效应的内禀尺度分量(Intrinsic Scale Component,ISC),最后输入到基于多模型融合的多变量预测模型(Multi-model Fusion-Variable Predictive Model based Class Discriminate,MFVPMCD)分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.

Signal prediction based on empirical mode decomposition and artificial neural networks

In view of the usefulness of Empirical Mode Decomposition （EMD）, Artificial Neural Networks （ ANN）, and Most Relevant Matching Extension （MRME） methods in dealing with nonlinear signals, we pro- pose a new way of combining these methods to deal with signal prediction. We found the results of combining EMD with either ANN or MRME to have higher prediction precision for a time series than the result of using EMD alone.

基于双边滤波的信号边界特征匹配与延拓

经验模态分解过程中的端点效应会直接影响到信号的分解效果。针对此问题,结合邻域双边滤波的思想,提出了基于双边滤波的信号边界特征点匹配的端点延拓方法。该方法有效抑制了分解过程中端点效应的影响,提高了信号分量的精度。边界子波的延拓在遵循原始信号内部特征规律的同时,还考虑了局部数据差异性的影响,因此子波扩展具有自适应性。仿真实验和地震资料应用对比分析表明,该方法能有效解决信号分解过程中的端点效应问题。