基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

基于经验模态分解和形态学的风电并网电压故障检测

针对风电场并网点电压故障引起的风机大规模脱网问题,提出了基于柔性形态算子和经验模态分解(empirical mode decomposition,EMD)去噪技术的电网电压故障检测方法。首先,利用EMD对采样信号进行时频自适应预处理,从而确定噪声主导模态;然后,通过柔性形态学变换加阈值输出,有效放大信号奇异点,避免了因电网电压信号周期性变化和噪声引起的背景梯度对检测结果的影响,实现故障定位检测。通过对不同噪声强度的电压暂降故障信号进行检测对比分析发现,随着信号信噪比下降,标准形态学方法的检测误差进一步增大,当信噪比达到25db时,甚至出现了误检现象,而柔性形态EMD检测方法仍然可以有效检测故障扰动的起止时间,表明该方法与标准形态学和小波阈值方法相比,在简化运算过程的同时可以获得更高的检测精度。最后,对某风电场并网点故障电压的分析结果与实测数据的一致性,验证了该方法可以有效检测电网电压的瞬态故障信息,从而为风电场无功补偿装置的投切控制提供了依据。     

基于局部均值分解的触电故障信号瞬时参数提取

针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解（local mean decomposition, LMD）的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流信号分解为一组乘积函数分量之和,每个乘积函数（product function, PF）分量可以表示为一个调幅信号和一个调频信号的乘积,然后由调幅信号和调频信号分别计算得到信号的瞬时幅值和瞬时频率。与采用希尔伯特黄变换方法相比,LMD具有瞬时频率曲线波动小和瞬时幅值函数端部失真小等优点。仿真信号分析结果表明：对测试信号进行LMD和经验模态分解（empirical mode decomposition, EMD）分解分别得到3个PF分量和5个IMF（intrinsic mode function）分量,分解前后信号的能量变化值分别为0.2851、0.5633,且LMD比EMD所需分解时间短0.0743s,与Hilbert变换相比,该文方法计算的瞬时幅值和瞬时频率更为平滑,在一定程度上避免了Hilbert 变换计算过程中的负频率和端点效应现象。试验信号分析结果表明：对消噪后的总泄漏电流信号进行LMD和EMD分解,分别得到5和6个分量,分解前后信号的能量变化值各为0.5574、0.8896,所用分解时间分别为0.0835、0.2479 s;在求取瞬时频率方面,LMD方法求取的主导分量瞬时频率可判定生物体触电时刻,而经Hilbert变换求取的瞬时频率不仅无法判定生物体触电时刻,还出现了负的频率值,无法解释其物理意义;在求取瞬时幅值方面,该文方法与Hilbert变换求取的触电前总泄漏电流信号的瞬时幅值的平均值分别为11.3240、12.3728 mA,与原生物体无触电时总泄漏电流的幅值11.3538 mA的绝对误差分别为0.0298、1.0190 mA,另外,2种方法求取的生物体触电后总泄漏电流信号的瞬时幅值与原生物体触电后总泄漏电流的幅值的绝对误差分别为0.4340、0.6643 mA。因此,仿真信号和试验信号分析结果均证明所提方法是有效和可行的。     

排列熵优化改进变模态分解算法诊断齿轮箱故障

为了准确提取齿轮箱中复合故障特征,该文选用变模态分解(variational mode decomposition,VMD)对振动信号进行处理,它能够将信号分解为多个固有模态函数(intrinsic mode function,IMF),但需预设分解层数k和惩罚因子;因此,为了能够自适应地确定分解层数k,该文提出了排列熵优化算法(permutation entroy optimization,PEO),该算法可以根据待分解信号的特点自适应的确定分解层数k;同时,为了解决VMD算法对噪声的敏感性,该文根据噪声辅助数据分析的思想,提出了改进VMD算法(modified variable modal decomposition,MVMD),该算法首先添加成对符号相反的高斯白噪声到原始信号,再利用VMD算法对其进行分解,经过多次循环,原始信号中的噪声相互抵消,而后将每次循环得到的每层IMF分别进行集成平均。利用该算法分别对含有多故障特征的齿轮箱仿真信号及实测信号进行处理,均提取出了故障特征。该文所提方法对封闭式功率流试验台进行复合故障提取,160和360 Hz的故障频率分别被提取出。该方法为齿轮箱复合故障诊断提供新思路。     

短时经验模态分解实时识别生猪心电QRS波群

心率是猪的重要生命体征,而在健康监测中由于猪的依从性较差而造成心电信号呈现非平稳特性,给实时心率计算带来困难。该文针对此问题结合经验模态分解方法(empirical mode decomposition,EMD)提出一种对心电信号具有实时处理能力的短时经验模态分解算法(short-time empirical mode decomposition,ST-EMD)。该算法通过对数据分段并根据信号特征决定分段起点及长度等参数,然后对每段数据进行EMD分解,再基于能量窗变换法从分解结果中提取QRS波的特征参数并识别R波。通过动物试验表明,ST-EMD算法能够对猪的心电信号实时处理和识别QRS波群,识别正确率为99.6%,且表现出一定的自适应性。说明本文提出的ST-EMD算法思路是正确的,适用于生猪的心电实时健康监护。     

江西省信江流域极端降水时空变化特征

随着全球气候变化加剧,极端降水事件对人类社会造成严重影响。基于江西省信江流域1960—2005年逐日降水数据,利用ClimDex模型与集合经验模态分解法（EEMD）分析信江流域极端降水指数时空分布特征。结果表明:各类极端降水指数呈不同程度上升趋势,其中以极端降水量（R95P）上升趋势最为显著。经EEMD分解得出各项极端降水指数的IMF分量,具体表现出2.56~2.88 a,5.11~6.57 a,9.20~11.50 a和22.59~36.48 a的准周期,其中以IMF1方差贡献率最大,IMF3的振荡周期较为显著。在3种典型年的极端降水事件空间分布上,五日最大降水量（RX5day）和极端降水量（R95P）呈中部略高于周边地区,且极端多水年高于平水年和极端少水年,表明流域中部地区极端多水年的极端降水事件发生频率相对较高。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

基于EMD和MLEM2的滚动轴承智能故障诊断方法

针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。     

基于集合经验模态分解算法的土壤肥力胁迫甄别与监测

土壤肥力是农作物生长所需的关键要素之一，其水平直接影响农作物的长势甚至产量，然而作物生长过程中受多种胁迫因素的综合影响。避免土壤肥力监测结果受到其他胁迫因素的干扰是土壤肥力精准监测的关键问题之一。该研究旨在分析利用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法进行土壤肥力胁迫甄别和监测的可行性。以河北省廊坊市大厂县冬小麦耕地为研究区域，以EEMD算法为基础，将分解后的本征模函数（Intrinsic Mode Function，IMF）分量按照年际、年间和年内的尺度进行合成，结合不同的时间尺度及胁迫特征剔除土壤水分胁迫、病虫害胁迫及重金属胁迫等因素，实现对土壤肥力胁迫的有效甄别提取。结合主成分分析相关方法，将有机质、全氮、有效磷以及速效钾4项养分指标转换为3个主成分，初步得到土壤肥力综合评价简易模型，后与分解结果进行拟合，构建并实现了土壤肥力综合水平的定量评价模型。结果表明：1）在年际、年间以及年内3组波动组分中，年际波动组分可以较好地反映研究区内土壤肥力胁迫作用对农作物长势的影响；2）利用最小二乘法对土壤养分指标测定数据进行线性拟合，拟合结果与原始数据的决定系数达到了0.857，能够较好地反映出原始数据的变化水平；3）最终土壤肥力水平评价模型评价结果与实测结果间的平均误差为11.82%，表明模型预测结果与实际情况契合程度高，模型反演结果能够较好地反映研究区的土壤肥力水平。该研究结合EEMD算法与统计学分析实现了土壤肥力胁迫的有效甄别及土壤肥力定量评价模型的构建，为遥感技术在土壤肥力研究领域的应用提供了参考。     

基于局部均值分解（LMD）的单通道触电信号盲源分离算法

针对从低压电网的剩余电流中提取触电电流的难题,该文提出局部均值分解(local mean decomposition,LMD)与盲源分离相结合提取触电电流的方法。利用LMD算法自适应的将剩余电流信号分解为若干个PF(product function)分量,计算各分量与原始信号的相似系数,选取相似系数最大且大于0.8的模态分量构造虚拟通道,与剩余电流信号一起构建盲源分离的2个通道,再利用FastICA算法从剩余电流信号中提取触电电流。试验结果表明:相较于经验模态分解(empirical mode decomposition,EMD)时间0.129 s,LMD分解时间为0.032 s,速度更快;在单相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.937 4和0.925 3,平均相对误差分别为0.096 2和0.109 8;在三相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.962 4和0.948 9,平均相对误差分别为0.056 4和0.081 55;LMD-FastICA与EMD-FastICA两种算法分解信号的峰值因子的相对误差范围分别为0.001～0.103和0.012～0.155,且抑制端点效应更好。研究结果可为开发基于触电电流动作的新型剩余电流保护装置奠定理论基础。     

采用HHT算法与卷积神经网络诊断轴承复合故障

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。     

基于集合经验模态分解北疆降水多尺度变化特征

降水是中国西北干旱区水资源的重要组成部分,利用合理方法有效认识降水的区域变化规律对指导农业发展尤为重要。基于北疆42个气象站1961—2012年降水序列数据,从气候时间序列中提取气候信号中各个尺度的变化,对北疆过去52a来的降水进行多尺度分析,并对其空间差异进行了初步探讨。结果表明:过去52a北疆降水量存在明显的年际和年代尺度的变化,年际尺度的周期为5a和8a,年代尺度的周期为10a和30a。变化趋势上,降水量1985s之前呈减少趋势,在1985s之后呈增加趋势,且后期的增幅大于前期的减幅。突变分析表明北疆年降水量呈增加趋势。集合经验模态分解(EEMD)是一种适用于非线性、非平稳序列的信号分析方法,将EEMD应用于气候要素时间序列,可提取可靠真实的气候变化信号,同时,EEMD可以得到气候变化的固有时间尺度。     

基于EMD多尺度特征熵的水轮机尾水管涡带信息提取

水电机组故障诊断的关键是从状态信号中提取故障特征,因此采用经验模态分解和指标能量相结合的方法,进行水轮机尾水管动态特征信息提取。首先,对信号进行经验模态分解,然后,根据得到的本征模式分量函数计算指标能量,最后,建立基于指标能量的多尺度特征熵,并以此熵值作为故障模式识别的特征向量。以原型水轮机尾水管压力脉动信号为例,进行了应用检验。结果表明,该方法准确性高,并具有良好的水轮机特征向量提取能力,适合分析复杂而特殊的水轮机动态特征信息。     

基于改进HHT的泵站管道工作模态辨识

为提高管道工作模态辨识精度,在希尔伯特-黄变换(Hilbert-Huang Transform,HHT)辨识基础上,发展奇异值分解(singular value decomposition,SVD)和经验模态分解(empirical mode decomposition,EMD)联合滤波技术与HHT时频域辨识结合的模态辨识方法。SVD-EMD联合滤除结构振动信号中的强噪声,凸显结构振动特性,有效避免了后期HHT参数辨识过程中虚假模态干扰,提高辨识精度和准确性。将该方法应用于景泰二期工程3泵站2管道的模态参数辨识问题中,建立该管道有限元模型并计算其结构动力特性。对比该文方法辨识结果、随机子空间辨识结果与有限元计算结果,该文方法辨识结果稍小于随机子空间辨识结果,与有限元计算结果更接近,其最大辨识误差为3.6%。研究表明,该方法能准确辨识管道频率,且有效降低管道结构背景强噪声。该研究可为管道安全运行和在线健康监测提供参考。     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

基于组合滤波的鱼油二十碳五烯酸含量近红外光谱检测

为了提高鱼油二十碳五烯酸(eicosapentaenoic acid,EPA)含量的测定精度,该研究将经验模态分解(empirical mode decomposition,EMD)和数学形态学滤波相结合的近红外光谱去噪方法应用于鱼油的一阶导数光谱预处理中,给出了方法的原理和步骤,评估了该方法的去噪效果。运用偏最小二乘回归(partial least squares regression,PLSR)建立了鱼油EPA近红外光谱的预测模型,用处理后的光谱计算了鱼油中EPA的含量,并与九点平滑和小波变换方法的处理结果进行了对比分析。结果表明:与传统的九点平滑处理结果相比,信噪比(signal to noise ratio,SNR)从14 d B左右提高到35 d B左右,原始信号与消噪信号之间的标准差由0.005 71降到0.002 26;预测集的决定系数由0.959 3提高到0.987 9,预测均方根误差(root mean square error,RMSE)由0.060 1降为0.031 2。证明了组合的EMD和数学形态学滤波方法在光谱处理过程中的可靠性,提高了鱼油EPA含量近红外光谱的定量分析精度。