基于集合经验模态分解和支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳特征及强噪声特性,提出了一种基于集合经验模态分解和支持向量机的滚动轴承故障诊断方法。该方法首先对原始信号进行集合经验模态分解,将其分解为若干个固有模态分量,利用固有模态分量构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为特征向量,送入支持向量机训练、识别。分析结果表明,与经验模态分解相比,集合经验模态分解能有效解决模态混叠问题,从而准确、有效地提取滚动轴承的故障特征。     

微分经验模态分解和能量矩阵相结合的水电机组故障信号预处理方法研究

针对经验模态分解方法在处理水电机组振动这类由多重信号和噪声耦合的信号时出现的模态混叠现象,提出了一种微分经验模态分解和能量特征相结合的水电机组故障信号预处理方法.通过微分经验模态算法对信号进行分解,接着构造各阶微分信号能量矩阵,通过能量矩阵可以筛选出有效的分量.仿真试验表明微分经验模态分解能有效的避免模态混叠效应,使用...     

基于优化VMD组合降噪和LMD的水轮机空化声发射信号特征提取

针对水轮机空化声发射信号存在噪声,进而影响信号特征有效提取的问题,提出基于优化变分模态分解(VMD)与Birge-Massart策略组合降噪和局部均值分解( LMD)的水轮机空化声发射信号特征提取方法.针对VMD算法中惩罚因子和分解模态数对分解结果有着显著影响,提出以散布熵差异相关系数最小值为目标函数,利用哈里斯鹰优化算法(HHO)对VMD进行参数寻优.以最优参数的VMD分解信号,得到一系列本征模态函数(IMF).计算各IMF的相关系数,对相关系数小于0.1的IMF进行剔除,大于0.5的IMF进行保留,0.1到0.5的IMF采用小波BM准则进行降噪,并与保留的分量重构.对重构信号进行LMD处理,将分解得到的乘积函数(PF)分量的能量提取为信号特征.试验分析结果表明,经过优化VMD组合降噪处理和LMD处理得到PF分量的能量与空化系数之间呈负相关,验证了所提方法用于水轮机空化状态识别的可行性.     

基于EMD的水电机组甩负荷主轴摆度

为解决甩负荷工况下主轴摆度峰峰值计算方法问题,对甩负荷工况与稳态工况下主轴摆度峰峰值计算差异进行对比研究,从时域波形上指出了2种工况下截然不同的特征,据此引入经验模态分解方法对甩负荷工况下的主轴摆度信号进行分解,并建立了趋势项的提取准则.研究结果表明:采用经验模态分解方法可以将主轴摆度信号分解为具有明确物理意义的2个分量,即表征甩负荷工况下轴系从一个稳定状态到另一稳定状态下的轴系偏移分量和表征随机扰动成分的轴系高频脉动分量;根据轴系偏移分量与转速的关系,可以将轴系偏移分量划分为4个阶段;甩负荷情况下主轴摆度峰峰值计算可以分成2个部分,即高频脉动分量峰峰值与轴系偏移量的和.采用具体案例验证了这一过程的有效性.     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。     

EMD自相关阈值去噪法在水电机组振动信号中的研究

经验模态分解(EMD)可将信号分解成若干不同频率的固有模态函数(IMF),传统EMD去噪法只对高频IMF分量进行处理,但缺乏有效的IMF选择依据。自相关能量准则可以定量筛选出含有噪声的IMF分量,利用改进的小波阈值去噪法对这些含噪IMF进行处理,然后重构所有IMF分量得到去噪后的信号。将这种EMD自相关阈值去噪法用于水电机组振动信号中,通过实例仿真,将去噪前后的信噪比和均方根误差进行比较,结果表明这种去噪方法能有效用于水电机组振动信号中。     

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

基于广义形态学滤波和EEMD分解的滚动轴承故障诊断

在信号处理中,由于严重噪声的干扰,往往会对EEMD分解造成影响,因此提出广义形态滤波和EEMD相结合的方法。首先利用广义形态滤波对故障信号进行滤波,减小噪声的干扰,然后利用EEMD对去噪后的信号分解,选择相关系数最大的本征模态分量并从其频谱图中提取特征频率。结果证明该方法能成功地去除噪声对EEMD分解的影响,从而能准确检测到故障信号的特征频率,具有广泛的应用前景。     

基于EMD+FFT联合滤波方法在机床主轴非平稳信号分析中的应用

针对数控磨床主轴振动信号中噪声影响特征值提取的问题,提出了一种基于经验模态分解方法(EMD)与快速傅里叶变换(FFT)联合的滤波方案。首先利用经验模态法(EMD)将主轴振动信号分解成若干个满足内稟模态函数的IMF分量,再利用快速傅里叶变换对每个IMF分量做时频转换,可以得出IMF分量的频域图谱。对包含噪声的IMF分量进行阈值滤波,得到降噪后的IMF分量,将IMF分量重新合成为原信号。利用仿真信号对该方法实验,同时对数控机床主轴信号进行实际测试表明,该方法不仅仅能够很好地分解出主要频率成分,同时弥补了FFT变换无法分析非平稳信号的缺点,提高了EMD算法的精度,有效地滤除主轴信号中的噪声成分。     

基于RBF神经网络的离心泵地脚螺栓松动故障诊断

为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition, EMD)分解为多个固有模态函数(intrinsic mode function, IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function, RBF)神经网络对离心泵松动故障进行识别预测.结果表明:采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%.     

基于EMD和Teager能量的滚动轴承故障诊断

对滚动轴承故障信号进行Teager能量谱分析是一种有效的方法,但是Teager能量算子使用对象为单分量信号.根据EMD （Empirical Mode Decomposition）能够自适应地把信号分解成单分量调制信号IMF（Intrinsic Mode Function）的特点,提出了一种基于EMD和Teager能量的故障诊断方法.通过对EMD分解出的与原信号互相关系数最大的分量作Teager能量谱分析进行诊断.分析了滚动轴承故障实验信号,并与信号的直接Teager 能量谱作了比较,验证了该方法的有效性.     

多分量神经网络自回归模型及其工程应用

提出了基于局域波的多分量神经网络自回归模型,用于对非线性动态系统时间序列进行建模。首先通过局域波法对分析的原始时间序列进行分解,使之成为不同尺度的基本模式分量,然后用多层神经网络对每个基本模式分量分别进行时间序列预测。最后,所有分量的预测值通过另一个单层线性神经网络进行重构,作为原始时间序列的预测值。并把该方法用于转子故障诊断。实验数据表明,这种结构用于故障诊断,性能优于传统的分析方法。     

基于EEMD与EMD的降雨序列多时间尺度对比分析

针对水文时间序列多时间尺度分析问题，分别应用经验模态分解(EMD)与总体经验模态分解(EEMD)方法进行对比研究。论文首先将EMD与EEMD进行测试函数仿真对比分析，结果表明EEMD较EMD能较好的解决模态混叠现象。将其应用于湖北省降雨序列演变特性分析，并引入基于LSSVM信号延拓方法以消除水文序列的端点效应，结合小波分析结果对比验证表明，EEMD作为一种新的信号处理方法，较EMD能更精确地获取降雨时序的多时间尺度特性，可为水文时间序列演变规律分析提供依据。     

铜胁迫下玉米叶片的HHT包络谱变化与污染预测模型

根据不同Cu~(2+)胁迫梯度下玉米叶片光谱及叶片中Cu~(2+)含量数据,利用经验模态分解(EMD)获取不同胁迫梯度下叶片光谱的各阶本征模态函数(IMF),选IMF4进行HHT包络谱分析,研究了玉米叶片在不同Cu~(2+)胁迫梯度下光谱的Hilbert包络谱变化特征与污染程度预测方法。通过构建包络谱峰值指标(E_1)和包络谱峭度系数(E_2)特征参量,分析叶片在不同Cu~(2+)胁迫梯度下的包络谱变化;同时基于包络谱特征参量值与叶片中Cu~(2+)含量的相关性分析和逐步回归统计,建立了玉米叶片重金属污染的Cu~(2+)含量的单、双因素变量预测模型。实验结果表明:不同Cu~(2+)胁迫梯度下,玉米叶片光谱的包络谱为分布在100 Hz频率以内的连续谱;E_1和E_2值均表现出与叶片中Cu~(2+)含量呈正相关的变化趋势,两个包络谱特征参量值都在Cu(150)位置达到最大值;由于E_1和E_2值与叶片中Cu~(2+)含量都具有良好的相关性,可把E_1和E_2作为监测玉米重金属污染预测指标。根据E_1、E_2单因素及双因素变量构建的Cu~(2+)含量预测模型应用结果比较,表明E_1、E_2双因素变量构建的模型具有最优的预测能力。     

基于EMD的黄河下游利津站年水沙量变化的多时间尺度特征

运用经验模态分解方法对黄河下游利津站1952~2009年的年水沙量的时间序列资料分别进行多时间尺度的分析,得到各自具有不同周期的波动分量以及趋势分量。研究结果表明：利津站年水沙量的变化过程具有复杂的多时间尺度特性,是各种波动成分共同作用的结果;年水量和年沙量变化过程均存在三个波动周期,且趋势项呈递减降低的态势,而各分量的波动周期大致相近;两者相同尺度下的分量之间具有显著的相关性,而不同尺度下的分量之间基本无相关性,揭示了水沙变化过程内在多时间尺度振荡结构和特征。     

基于经验模式滤波与循环神经网络的水锤压力信号预测

为准确预测水锤信号变化规律,实现对水锤冲击强度和能量等特性的提前预判,针对水锤冲击信号提出了一种基于经验模式分解(empirical mode decomposition,EMD)和循环神经网络(recurrent neural network,RNN)的模型预测方法.首先,通过EMD获取具有不同频率的IMF分量,根据水锤信号的频域特性剔除高频噪声分量并重构信号以实现滤波,滤波后信号能量损失不足0.1%;进而,建立了基于RNN模型的时间序列预测模型,搭建试验平台获取水锤冲击信号,完成了RNN模型的训练和参数调节;随后,对不同流速下水锤冲击信号进行序列预测,在测试集与训练集流速不同条件下,得到了准确的预测结果,表现出一定泛化能力.对比分析预测水锤信号与实际信号,得到R²系数大于0.990 0,幅值和能量损失不足1%,验证了所提出方法的正确性,主要结论和建模方法可为各类输水系统的风险评估、管路监测和健康管理提供理论指导和技术手段.     

基于经验模态分解的冲击脉冲法研究

提出基于经验模态分解的冲击脉冲法,带通滤波后,进一步采用经验模态分解方法自适应滤波提取故障轴承振动信号中的调制信息,最后应用Hilbert变换解析出故障频率。仿真信号和实验验证结果表明,与仅仅采用带通滤波器滤波比较,该方法更能突出故障频率成分,避免误诊断。     

基于车架模态的蔗地路谱对刀盘振动的影响

小型甘蔗收获机刀盘振动对甘蔗宿根切割质量有着显著影响,蔗地路谱激励是影响刀盘振动的主要因素之一,车架是传递振动的主要路径,因此有必要探究蔗地路谱对刀盘振动的影响和车架的振动特性。为此,通过试验模态和有限元模态的对比分析,提取车架的固有频率及振型,建立车架的刚弹耦合虚拟样机模型;通过刀盘振动采集试验,验证了蔗地路谱对刀盘振动影响显著;实地采集典型甘蔗地貌振动路谱,获取激励位移信号。受迫振动分析表明:8.0Hz频率下的蔗地路谱对刀盘轴向振动影响最大。     

城市路网节点交通流量调查及其相关性分析

以北京市亚运村地区的交通流量分析为目标，对该地区路网节点交通流量进行了大量实验调查。通过选取同一时间段内6个路网节点的交通流量数据，建立了交通流量统计数据矩阵．并得出了该地区的路网节点相关系数矩阵．为该地区的交通流状态的预测提供了重要的决策依据。