基于MELMD-ICA的光纤振动信号降噪方法

针对分布式光纤传感系统所采集含噪信号,提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法,引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构;将含噪信号和重构信号求差得到虚拟噪声,构造虚拟通道;然后使用ICA对含噪信号和虚拟通道进行信噪分离,得到最终结果。通过实验验证,该方法与EMD-ICA,EEMD-ICA,MELMD相比,能更好地消除信号中的噪声,保留信号的特征信息。

基于改进ELMD和sinc插值校正的电压闪变参数检测

新能源发电并网及大量非线性、冲击性负荷的应用造成的电压波动与闪变已成为不可忽视的电能质量问题。为实现非稳态电压闪变参数的准确提取,提出一种基于改进集合局部均值分解(ensemble local mean decomposition,ELMD)和sinc插值校正的闪变参数分析方法,通过sinc插值法替代局部均值分解法中移动平均插值,并利用噪声的统计特性构建改进集合局部均值分解方法,基于改进ELMD将非稳态电压闪变信号分解成一系列的本征模函数(intrinsic mode function,IMF)分量,然后对各分量进行Hilbert变换获得非稳态电压闪变包络信号的瞬时幅值和瞬时频率,最后针对局部均值分解(local mean decomposition,LMD)测量大于12 Hz闪变分量幅值误差较大的局限性,构建基于sinc插值的幅值误差校正模型,据此实现非稳态电压闪变参数的完整检测与分析。通过仿真和实验证明所提出的改进ELMD和sinc插值校正闪变检测相比传统基于LMD的闪变检测方法具有更高的准确度,受电网基波频率波动的影响很小,抗干扰性强,能有效实现非稳态电压闪变包络参数准确检测。

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。

最优参数MCKD与ELMD在轴承复合故障诊断中的应用研究

机械设备中滚动轴承复合故障的情况普遍存在。针对多种故障难分离和提取的问题,提出了基于最优参数最大相关峭度解卷积(Optimal Parameter Maxim Correlated Kurtosis Deconvolution,OPMCKD)与总体局部均值分解方法(Ensemble Local Mean Decomposition, ELMD)相结合的轴承复合故障诊断方法;首先利用排列熵值、包络谱稀疏度分别筛选MCKD中的最优滤波器长度L与冲击周期T,提取滚动轴承主故障;然后通过ELMD方法将非平稳信号分解为若干个分量,筛去主故障信息后,再次利用最优参数MCKD进行次故障诊断。通过对轴承信号的分析,验证了该方法能有效分离复合故障信号,具有一定的实用性。

基于ELMD的样本熵及Boosting-SVM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)的样本熵及Boost-SVM的滚动轴承故障诊断法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Product Function,PF);其次,根据分解特性提出基于K-L散度的自适应法选取主PF分量,计算主PF分量的样本熵并将其组合成特征向量;最后,将特征向量输入Boosting-SVM分类器进行训练与测试,从而识别滚动轴承的故障类型。实验结果表明,该方法能够有效的诊断出三种状态,且效果较局域均值分解法好。

ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。

基于自相关降噪和ELMD的轴承故障诊断方法

为了提取在故障轴承振动信号中被强噪声淹没的微弱冲击特征信号,提出一种基于总体局部均值分解和自相关降噪的轴承故障诊断方法。首先,应用自相关函数对轴承故障信号进行降噪;其次,对降噪后的信号进行ELMD分解,并得到一系列的乘积分量;最后,利用共振解调技术对各个PF分量进行包络分析,进而发现轴承故障频率。试验结果表明:将自相关降噪和ELMD分解方法结合用于实测轴承故障特征提取中,不仅可以降低信噪比,而且可以有效地提取轴承故障的特征频率。

大坝变形多尺度分析ELMD-LSSVM预测模型

针对局部均值分解LMD实现过程中存在的模式混淆现象,利用局部均值分解的原理,提出一种结合总体局部均值分解(ELMD)与最小二乘支持向量机(LSSVM)方法的多尺度大坝变形预测模型.利用ELMD方法对大坝变形序列进行分解,得到其PF分量,利用最小二乘支持向量机进行外推预测,再把各PF分量的预测结果进行叠加重构,得到大坝变形预测值.通过实例验证分析,比较多元回归分析、LSSVM和ELMD-LSSVM三种模型在大坝变形监测数据处理中的拟合和预测结果.研究结果表明:ELMD-LSSVM方法能够减弱模态混叠现象的影响,充分发掘数据本身所蕴含的物理机制和物理规律,为大坝变形多尺度预测分析奠定较好的基础.

基于ELMD奇异值和LDA的变速箱特征提取方法

针对变速箱故障时振动信号的复杂性和实际信号特征的冗余性,提出基于总体局部均值分解(ELMD)奇异值和线性判别分析(LDA)的故障特征提取方法,并利用该方法分析某装备实车试验中测取的变速箱正常、齿轮断齿和滚动轴承滚动体点蚀等3种状态下的振动信号。结果表明:该方法提取的特征能很好地将变速箱的各种状态区分开,可以实现变速箱的智能诊断。

基于ELMD和能量算子解调的滚动轴承故障诊断方法研究

针对滚动轴承发生故障时信号的调制特点,提出了基于总体局部均值分解(ELMD)和Teager能量算子解调的故障诊断方法。运用ELMD方法对振动信号进行分解,得到有限个单分量的调幅调频信号;运用能量算子解调方法对包含有故障特征信息的分量进行解调,提取故障特征频率。将该方法应用于实际滚动轴承滚动体点蚀故障诊断中,成功地提取出了故障特征频率。

基于ELMD和MED的滚动轴承早期故障诊断方法

针对滚动轴承早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征信息难以识别的问题,提出基于ELMD和MED的故障诊断方法。首先,运用ELMD对采集到的轴承振动信号进行分解,得到一系列PF分量;然后,依据相关系数与峭度准则,选取包含故障特征信息较丰富的PF分量进行MED滤波处理以消除噪声影响,凸现故障特征信息;最后,对降噪信号进行Hilbert包络谱分析,从谱图中准确地识别轴承故障特征频率。

基于集合经验模态分解和排列熵的核电厂信号降噪研究

本文提出了一种基于集合经验模态分解和排列熵的电站信号降噪方法。该方法流程如下,首先,采用集合经验模态分解对电站典型实测信号进行了分解,获得对应的本征模态分量。其次,采用排列熵对本征模态分量进行混沌度的定量评价,从而实现实测信号中的有用信号和噪声信号的区分。对于后者,采用改进的小波软阈值降噪法进行降噪。最后,根据排列熵筛分后的有用信号和改进的小波软阈值降噪后的噪声信号进行重构,得到降噪后的信号。另外,本文也采用了主流的经验模态分解和局部均值分解对该信号进行了处理,并将分析结果进行对比。对比结果表明,基于本文所提方法得到的降噪后信号排列熵较小,表明降噪效果要优于以上两种方法。

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。

基于自适应噪声参数优化ELMD的行星齿轮箱故障诊断研究

针对总体局部平均分解(ELMD)中添加白噪声的振幅和集成次数两个关键参数设置依赖使用者经验,以及添加噪声后在信号重构过程中存在残余噪声污染和运算量大的问题,提出一种自适应噪声参数优化的总体局部均值分解(APOELMD)方法。该方法在局部均值分解(LMD)过程中添加成对高频正负白噪声,噪声的幅值和集成次数分别固定为0.01 SD(SD为原始信号的标准差)和2;不断地改变白噪声的上限频率,利用相对均方根误差这一指标来自适应地选取白噪声的最佳上限频率;白噪声的最佳上限频率确定之后,APOELMD方法即可实现最理想的分解效果。仿真实验结果表明,该方法显著提升了ELMD的性能,提高了诊断效率;将该方法应用于行星轮箱故障诊断中,能够精确提取故障特征信息,实现了对行星齿轮箱局部损伤故障的准确判别。

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。

自适应随机共振与ELMD在轴承故障诊断中的应用

针对随机共振(Stochastic resonance,SR)在处理轴承故障信号时需要满足小参数(信号频率、幅值、噪声强度远小于1)这一条件以及轴承故障特征难以提取的问题,提出基于自适应变尺度随机共振与总体局部均值分解(Ensemble local mean decomposition,ELMD)的轴承故障诊断方法。首先,对实测的信号按照一定的频率进行压缩,使其满足随机共振小参数的要求,然后,通过遗传算法(Genetic algorithm,GA)对变尺度随机共振双稳系统中的结构参数a,b进行优化,最后将随机共振输出信号进行ELMD分解,通过各PF分量的频谱图寻找轴承故障特征频率。对实测轴承故障信号的实验分析,结果表明本文提出的方法可有效地应用于轴承的故障诊断中。

基于改进ELMD和多尺度熵的管道泄漏信号识别

为预防城市管道泄漏事故,准确提取管道泄漏信号的特征,首先提出一种改进的总体局域均值分解(ELMD)与多尺度熵的管道泄漏信号识别方法,通过峰值波形匹配延拓法处理端点处的信号,减弱端点处信号分量的畸变、失真;然后对管道原始泄漏信号进行ELMD分解,得到一系列乘积函数(PF),计算各PF分量的多尺度熵值,根据熵值的大小筛选出含有主要泄漏信息的PF分量,消除背景噪声的影响;最后构建反向传播(BP)神经网络,并识别泄漏信号。结果表明:该方法减少了分解后的误差,能够实现管道泄漏的检测,与未改进的ELMD方法相比,泄漏信号的识别率更高。

ELMD联合粒子群优化小波阈值的语音去噪研究

语音信号是一种非稳态的随机信号,而传统的时频分析法缺乏对这类信号进行最稀疏表示的能力,为此提出了一种完备的局部均值分解(Ensemble Local Mean Decomposition,ELMD)联合粒子群优化小波阈值语音消噪分析法:在对原始信号LMD(局部均值分解,Local Mean Decomposition)分解基础上加入高斯白噪声辅助分析的自适应分析法,以减轻分解后的产生模态混叠现象;对于分解后的分量中残留的噪声使用粒子群优化算法获得最优小波阈值滤除。对实际采集语音信号进行Matlab仿真的处理分析结果显示,该算法在抑制语音中的背景噪声有着良好的效果,且有效降低了对语音有效信息的损伤。

基于ELMD-SVD和Prony的谐波间谐波检测方法

为了解决噪声干扰Prony算法提取谐波参数问题,提出了一种集成局部均值分解(ELMD)-奇异值分解(SVD)-Prony的谐波分析方法(ELMD-SVD-Prony)。首先采用ELMD分解含噪信号,对获得的一系列乘积函数(PF)采用K-L散度来确定含噪分量与有效分量之间的分界点,去除噪声分量并保留有效分量,对有效分量通过相空间重构Hankel矩阵,运用奇异值分解进行二次降噪并重构。最后将重构的信号与ELMD余项叠加得到去噪后的谐波信号,结合Prony算法检测谐波的频率、幅值与相位。仿真实验结果表明,该方法能有效降噪并提取谐波特征参数。

基于NLM-CEEMDAN和样本熵的水电机组振动信号去噪

振动监测分析是水电机组故障诊断的重要手段,如何从振动信号中滤除噪声以便于故障特征有效提取是关键问题,为此提出了基于非局部均值滤波(NLM)和自适应噪声完备集合经验模态分解方法(CEEMDAN)结合的振动信号去噪新方法,并在水电机组摆度监测分析中进行了应用。该方法利用NLM-CEEMDAN对信号进行降噪处理,获得若干个固有模态分量(IMF),并且计算各分量样本熵值来进行分量归类。最后通过将高频噪声分量和信噪混合分量中的噪声成分从原始信号中滤除来完成对振动信号的去噪。仿真和实例分析,该方法优于常用的分解分量重构法和小波去噪算法,具有更好的去噪效果,为水电机组故障特征提取提供了新思路。