基于支持向量机的水电机组故障诊

针对水电机组故障样本少的问题,本文将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量—故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

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。     

基于经验模态分解和Duffing振子的轴承故障诊断

针对齿轮箱轴承振动信号故障信息容易被噪声淹没,且具有非线性、非平稳特性的问题,提出了基于经验模态分解（EMD）和Duffing振子的轴承故障诊断方法。首先对原始振动信号进行经验模态分解,找到包含轴承故障信息的固有模态函数（IMF）,然后利用Duffing振子的分岔图找到混沌振子相轨迹发生变化的内部激励力分界值,并将Duffing 振子的内部激励力频率设定为轴承故障特征频率,最后从混沌振子输出相轨迹的变化来检测齿轮箱轴承故障信息。实验结果表明,基于EMD和Duffing振子的故障诊断方法能够检测轴承故障信息。     

基于经验模态分解和S变换的缺陷超声回波检测方法

为对金属材料超声无损探伤中的微小缺陷回波进行检测,建立了金属材料背散射信号模型,讨论了调幅回波模型的中心频率估计的无偏性,并提出基于经验模态分解(EMD)和S变换的缺陷回波检测方法。首先对原始信号作EMD,通过时间尺度滤波重构信号,实现初步去噪;为抑制EMD去噪后信号的信噪混叠现象,执行基于S变换和最大类间方差法的去噪算法,进行二次去噪,得到信噪比较高但缺陷回波幅值衰减较大的信号。最后采用二次S变换修正二次去噪中因S变换导致的缺陷回波幅值降低量。对仿真信号和实际棒材检测信号的处理结果证明了该方法在去除噪声和缺陷回波检测方面的有效性。     

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。     

EEMD多尺度熵和ELM在水电机组振动信号特征提取中的应用

机组的状态评价及故障诊断基于信号特征提取,水电机组非平稳、非线性振动信号的特征提取是水电领域研究热门.提出了一种基于集合经验模态分解(EEMD)和多尺度熵(MSE)的水电机组振动信号特征提取方法,采用极限学习机(ELM)实现模式识别.对降噪后水电机组振动信号进行EEMD分解,并根据峭度—标准相关系数指标筛选有效本征模态...     

基于集合经验模态分解与Elman神经网络的明渠流量模拟

为提高堰闸流量控制系统的有效性,本文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与Elman神经网络建模,提出一种新的流量预测方法.以新疆库塔干渠东干渠为例,分别对堰闸流量及其控制因子进行EEMD分解,对各尺度下的时间序列建立EEMD-Elman预测模型.结果表明:应用EEMD-Elman神经网络建立流量预测模型,模型预测值与实测值的平均绝对误差为0.079m3/s,相关决定系数为0.996,标准误差为1.104,模型预测结果与实测值呈极显著性相关.研究结果可为水情自动控制系统的控制目标优化提供有效参考.     

基于EEMD-GA-BP的水电机组状态趋势预测

电厂、电网的安全稳定与水电机组的运行状态息息相关.机组状态趋势预测弥补了故障诊断作为事后决策的不足,通过预测提前发现故障征兆,可以避免事故发生.本文结合EEMD和神经网络理论,提出了一种水电机组状态趋势预测模型.以国内某两电站的机组振动状态趋势预测为例,首先对机组振动信号进行EEMD分解,其次利用GA-BP预测模型预测...     

优化变分模态分解的超声多普勒测流信号误差模型研究

超声多普勒流量计的应用环境复杂多变,因此提高测量精度和误差,精确提取回波信号非常重要。提出了融合变分模态分解(Variational Mode Decomposition,简称VMD)和奇异谱分析(Singular Spectrum Analysis,简称SSA)的降噪模型,以更好地改善回波信号信噪比。该方法首先利用柯西变异算子产生随机迭代过程,克服了海鸥算法(Seagull Optimization Algorithm,简称SOA)容易陷入局部最优的特性;其次,采用包络谱熵值作为适应度函数,自适应优化VMD参数组合,同时引入云相似度值作为有效模态分量(Intrinsic Mode Functions,简称IMF)筛选的标准;最后,针对中低频的二次谐波振荡现象,引入SSA加以解决。通过构造超声波模拟信号和走车实验数据实例,与小波阈值、经验模态分解(Empirical Mod Decomposition,简称EMD)等方法对比,分析CVSOA-VMD-SSA降噪效果。结果表明：对于仿真信号而言,CVSOA-VMD-SSA能克服模态混叠及SOA易陷入局部最优解问题,更有效地抑制噪声干扰,相...     

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究

提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法.利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量.将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征...