基于改进EEMD-MB1DCNN的船用柴油机缸套-活塞环故障诊断

针对船用中高速柴油机缸套-活塞环振动信号非线性非平稳性以及同类型不同损伤程度故障发生时振动信号时频域特征相似、故障难以识别等问题,利用振动信号辨识故障,提出一种基于改进集成经验模态分解方法和多模块一维卷积神经网络端到端缸套-活塞环故障诊断方法,通过设计固有模态分量IMF信息质量筛选准则对EEMD分解出的IMFs进行重新排序,获得包含更多凸显故障特征成分的重构信号,输入到上述神经网络模型,通过振动信号分析并与现有方法比较,评估所设计IMF信息质量筛选准则与所搭建模型的性能,试验结果显示该方法能准确、有效地识别缸套-活塞环故障类型。在判断该易损件同类型不同磨损程度故障诊断中有较高的准确率,能对故障状况进行有效的特征提取与故障分类。

基于EEMD分解法对北武当观测站形变资料受气压干扰特征分析

本文通过选取北武当观测站的水平摆、伸缩仪,对观测数据受气压干扰明显的典型事件进行分析,研究气压变化如何对观测数据变化产生的影响,并对原始观测数据采用EEMD分解出含有干扰信息的IMF分量;对IMF分量进行Hilbert变换得出Hilbert时频图。结果表明,水平摆和伸缩仪受气压干扰明显,且气压干扰具有延时性。总之,通过EEMD方法对北武当观测站测向资料的分析,说明这种方法对气压干扰的研究有较好的效果,提高了识别干扰信息的能力。

结合EEMD的噪声对消方法在遥测振动信号降噪中的应用

针对传统降噪方法难以兼顾飞行器遥测振动信号中细节信息损失和降噪性能之间的矛盾,提出一种集合经验模态分解(ensemble empirical mode decomposition,EEMD)和噪声对消相结合的降噪方法。信号经EEMD处理得到本征模态函数(intrinsic mode function,IMF),将第1阶IMF分量和其余IMF分量的累加和分别作为参考噪声和待降噪信号;利用核方法将信号映射到高维特征空间,利用映射到高维空间中的参考噪声和待降噪信号进行噪声对消。计算机仿真结果表明:该方法在避免信号细节信息损失的前提下具有良好的降噪性能,某次飞行器试验中实测数据处理结果证明方法有效和实用。

基于EEMD-WPT的温室环境数据优化处理研究

【目的】解决温室系统中的数据采集传感器容易受到多种环境因素的干扰,从而导致数据中存在噪声的问题。【方法】提出一种集合经验模态分解(Ensemble empirical mode decomposition,EEMD)与小波包自适应阈值(Wavelet packet adaptive threshold,WPT)算法联合的数据降噪处理方法,并采用卡尔曼滤波与自适应加权平均算法对降噪后的数据进行融合。【结果】将EEMD-WPT算法应用于含噪温、湿度数据的降噪处理,相较于降噪前的数据,信噪比提升了73.08%。该算法相较于传统WPT算法具有更好的降噪效果,处理后的数据信噪比提升了40.31%,均方根误差降低了84.75%。【结论】该算法能解决数据跳动、冗余和丢失等问题,并为温室控制系统提供了有效的参数,具有较大的实际应用价值。

基于EEMD-SVM-ELM模型的月降水量预测研究

针对地表降水量数据的非线性、非平稳特征,首先利用EEMD对月降水量初始数据进行分解,再利用Lempel-Ziv复杂度算法将分量划分为高频及低频分量,使用粒子群算法(PSO)优化基学习器参数,最终构建EEMD-SVR-ELM月降水量预测模型,并采用该模型对长江下游部分城市的月降水量实际数据进行预测。结果表明,该模型的综合性能最优,具有更高的精确度。相较于单一模型,在M_(MAE)、R_(RMSE)、M_(MAPE)指标上分别降低了37.4%、41.4%、42.5%,DM检验表明该模型显著优于其他模型,说明该模型可作为月降水量预测的一种有效新方法。

基于EEMD分解的阶次跟踪方法研究

摆线针轮减速器组成零部件繁多、构成复杂,工作时噪声干扰大且多在变转速、往复的复杂工况下工作,因此,难以准确提取其内部的故障特征。针对这一问题,提出了一种基于集合经验模态分解(EEMD)与阶次跟踪分析的方法,对摆线针轮减速器进行了故障诊断。首先,对采集到的时域振动信号和转速信号进行了等角度域差值采样,得到了振动信号的等角域平稳信号;然后,对等角域信号进行了集合经验模态分解,得到了若干个固有模态分量(IMFs),计算了各个固有模态分量的峭度值,选取目标模态分量进行了信号重构;接着,采用快速傅里叶变换得到了故障信号的阶次图;最后,根据减速器的传动方式、各零部件的模数,计算出了各主要部件的故障阶次,对比减速器在故障前后阶次图的能量峰值进行了故障诊断。研究结果表明:该方法能够准确提取包含故障信息的固有模态分量,实现从等时域信号到等角域信号的转换,并提取摆线针轮减速器的滚针故障阶次(8.37阶),故障准确率达到99.6%,可实现摆线针轮减速器在非平稳工况下的故障特征识别,并验证该方法的可行性和有效性。

融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解(EEMD)与卷积神经网络(CNN)相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量(IMF)和残余分量(Res),然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。

基于PE-CEEMD-SVD的Φ-OTDR信号降噪方法

为实现相位敏感光时域反射仪中相位信号的精确测量,提出了一种基于排列熵算法的互补集合经验模态分解联合奇异值分解的新型降噪方法(PE-CEEMD-SVD)。首先,对含有噪声的相位信号进行CEEMD分解,得到一系列频率不同的IMF分量;然后,将PE算法和相关系数机制相结合,保留较大相关的有用分量,对较小相关的噪声分量使用SVD算法进行二次降噪;最后将两次降噪后保留下来的有用分量进行重构。仿真和实验结果表明,相较于EMD、EEMD和CEEMD降噪方法,该方法可获得更高信噪比的信号,有利于相位信号的精确测量。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

EEMD与LSTM在轴承剩余寿命预测中的应用

剩余使用寿命(RUL)预测是实现装备健康管理与预测性维护的最主要技术手段之一,为了准确预测轴承的剩余使用寿命,提出了一种基于集合经验模态分解(EEMD)和长短时记忆网络(LSTM)的轴承剩余寿命预测方法。首先,对采集到的振动信号做时域、频域及时频分析,同时记录相应特征;进而,筛选特征,通过EEMD对振动信号予以分解并重构;最后,通过LSTM结合经过处理的信号构建健康特征指标。通过实验证明了该方法能有效的预测出轴承的剩余寿命,且有较高的预测精度。

改进MCKD-MEEMD在滚动轴承故障诊断中的应用

为了解决实际工况中故障信号被噪声掩盖,故障特征频率难以提取的问题,提出改进最大峭度解卷积(MCKD)和改进的集总平均经验模态分解(MEEMD)结合的滚动轴承故障诊断方法。首先,提出使用合成峭度作为指标来选取MCKD的最优参数:位移数M和最大滤波器长度L;然后将最优参数代入MCKD算法中,得到最佳降噪信号;最后对降噪信号使用MEEMD分解,得到若干本征模态分量(IMF),选取合适的分量做信号重构,再对重构信号做频谱分析,在频谱中可以寻找出故障频率以及其他的信息。通过仿真分析了MEEMD方法的优越性及不足之处,并使用改进MCKD方法对不足处进行了改进,将改进MCKD-MEEMD方法与MEEMD方法以及传统MCKD-MEEMD方法进行了实验对比分析,证明了改进MCKD-MEEMD方法的故障诊断效果更好。

基于CEEMD和统计参数的斜拉桥损伤识别方法研究

为解决仅使用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法的斜拉桥信号分解存在含噪固有模态函数(intrinsic mode function,IMF)分量且不能进行损伤定量的问题,提出了一种基于CEEMD与统计参数方法相结合的斜拉桥损伤识别方法。该方法基于CEEMD方法对斜拉桥动力响应信号进行自适应性分解,确定适用的白噪声幅值标准差并推导CEEMD方法的集成次数,得到各阶IMF分量;采用欧氏距离对分解的IMF分量进行谱系聚类分析以避免模态混叠现象;采用峰度统计参数的有效权重峰度指标方法滤除含噪IMF分量,提取有效IMF分量并重构为有效IMF分量和;利用变异系数统计参数、二阶中心差分法和泰勒展开式推导损伤定位指标,根据四阶统计矩峰度统计参数推导损伤定量指标。用所提方法对某斜拉桥进行损伤识别研究,结果表明:仿真分析的损伤定位识别精度为100%,损伤定量最大误差为1.80%;在高斯白噪声干扰下,损伤定位不受影响,损伤定量最大误差为1.88%;进行实桥的损伤识别,结果表明实桥主梁无损伤。

基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解(CEEMDAN)对原始数据进行分解,再利用变分模态分解(VMD)对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法(SSA)对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差(RMSE)是0.1053,平均绝对误差(MAE)是0.0815,决定系数(R2)是0.9471,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕捉信号非线性特征的能力。

基于CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。

基于MEEMD算法的二冲程柴油发动机机体振动分析

二冲程低速柴油机具有复杂的振动特性,传统的经验模态分解(Empirical Mode Decomposition,EMD)算法对其振动信号处理效果不理想。为此,采用修正多元集合经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)算法对低速柴油机机体振动信号进行分解。首先,采用三轴加速度计测量发动机机体振动。然后利用均方根(Root Mean Square,RMS)对三轴振动强度进行分析。最后,对x轴上的信号进行MEEMD分析。结果表明:砌块在x轴方向的振动强度最大;与EMD算法相比,MEEMD算法可以抑制模态混合,有助于更好地识别块振动激励。

CEEMDAN-SE-WT降噪方法在航空发动机燃油流量信号中的应用

燃油流量信号是反映发动机状态和计算飞机排放物排放量的重要信号,但飞机飞行过程中传感器采集信号时不可避免地会受到外界环境以及内部因素干扰。提出一种结合样本熵(sample entropy,SE)的完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与小波变换(wavelet transform,WT)的联合降噪方法。首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总重变化最为接近,可以认为该方法较大程度保留了燃油流量信号中的有效特征,为后续计算民机排放物排放总量提供了良好的数据支持。

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。

CEEMD-FastICA-CWT联合瞬态响应阶次的电驱总成噪声源识别

以某增程式电驱动总成为研究对象,提出基于联合算法的噪声分离识别模型。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)联合快速独立分量分析(fast independent component analysis,FastICA)方法提取纯电模式稳态工况下单一通道噪声信号特征,利用复Morlet小波变换及FFT对各分量信号时频特性进行识别。其次,采用阶次分析法和声能叠加法对稳态分量信号对应的各瞬态响应阶次能量进行对比分析,并结合皮尔逊积矩相关系数(Pearson product moment correlation coefficient,PPMCC)相似性识别确定不同噪声激励源贡献度。结果表明:减速齿副啮合噪声对该增程式电驱总成纯电模式运行噪声整体贡献度最大。

基于PCA和EEMD的柔性直流配电网故障选线算法

柔性直流故障选线技术的发展对直流配电网有着至关重要的作用。本文针对现有柔性直流故障存在的可利用的故障信息较少等问题,提出了一种新算法,该算法有效利用了集合经验模态分解EEMD(ensemble empirical mode decomposition)算法、主成分分析PCA(principal component analysis)和相关系数各自的优势。首先,提取暂态电流样本信号,采用EEMD得到以正交基函数表示的数据矩阵;接着,基于PCA进行该矩阵元素特征向量到主成分的转换,将样本信号投影到主元空间实现坐标变换,从而得到对样本数据的聚类和识别结果;最后,基于相关系数进行故障线路判别。本文算法的EEMD揭露了原始历史数据的内在变化规律,PCA能够有效选择故障有效特征。大量实验表明,该新算法准确有效,与现有其他方法相比,在故障信息不明显、不同过渡电阻方面具有优势。