基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于复杂度特征的气液二相流流型识别方法

针对气液二相流压差波动信号的非平稳和非线性特征,提出了一种基于经验模式分解(EMD)复杂度特征和支持向量机的流型识别方法。该方法首先对二相流压差波动信号进行经验模式分解,将其分解为若干个固有模态函数(IMF),然后对每一个IMF分量提取复杂度特征作为流型特征向量,并以此作为输入参数建立支持向量机分类器来识别流型。对水平管内空气-水二相流的实验结果表明,文中提出的方法能准确地识别流型,从而为流型识别提供了一种新的有效方法。     

基于Hurst指数的严重段塞流多尺度分形特性

基于多尺度方法和Hurst分析方法,分析了严重段塞流的多尺度结构及其非线性特征。以空气、水两相混合物作为实验介质,利用高速数据采集板获得了集输立管内气液两相严重段塞流的压差波动信号。使用db4小波在1～8尺度下对压差信号进行分解和重构,提取不同尺度的系统动力学特征,发现严重段塞流气液喷发和液体回落的瞬态过程主要体现在d5～d8尺度的细节信号上。通过对压差波动信号不同尺度下的分解信号进行Hurst指数分析,发现严重段塞流存在显著的双分形特征,同时受正持久性和反持久性两种动力学因素的制约,但概貌分量和细节分量表现出截然相反的分形结构,概貌分量具有正持久性,而细节分量具有反持久性。d1尺度下的细节分量描述了微尺度的气泡与气泡之间的相互作用;d2～d5尺度下的细节分量描述了微尺度的液体与气泡之间的相互作用;d6～d8尺度下的细节分量描述了宏尺度的气液两相与管壁之间的相互作用。压差波动信号的能量主要分布于宏尺度上。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于经验模态分解的粘接结构缺陷定量检测

针对固体火箭发动机壳体/绝热层界面缺陷进行超声定量检测问题,本文提出采用经验模态分解(EMD)对信号进行降噪处理。通过对信号进行EMD处理,求得各阶本征模态函数(IMF)。通过分析各阶IMF分量的时域信号、频域信号与原始信号的相关性,提出将IMF3分量作为缺陷定量的特征信号,采用峰值引力波因子(SWF)作为特征量来评价特征信号,通过比较SWF数值大小实现了粘接结构脱粘缺陷的定量检测。     

基于CEEMDAN和AR模型的岩体声发射信号特征提取方法研究

针对岩石声发射信号因非平稳、复杂性特征而难以有效提取特征参数的问题,提出了一种基于自适应完整集成经验分解算法(CEEMDAN)和AR模型的特征提取方法,以红砂岩为研究对象,用CEEMDAN对其破裂阶段的信号进行分解,利用相关系数法选择有效IMF分量,并进行能量归一化处理,以消除其他因素对模型的影响。通过计算各阶段信号AR模型的AIC值,建立最佳阶次模型AR(5),并通过对比试验验证了模型的准确性,并将提取的5阶AR模型系数作为特征向量,为后续预测岩石失稳现象提供了依据和方法。     

基于CEEMDAN-SVM和时域特征的滚动轴承故障诊断方法研究

针对滚动轴承故障原始信号复杂,以致故障冲击信号被强背景噪声"淹没"的问题,提出一种基于CEEMDAN分解和时域特征分析的故障诊断方法.首先对原始信号进行CEEMDAN分解,得到一系列固有模态分量(IMFs),分析各IMF,选择具有明显故障冲击信号的5个分量进行重构,以剔除噪声等干扰信息,再提取重构信号的时域特征输入支持...     

基于EEMD自适应选取IMF的机泵滚动轴承故障诊断

滚动轴承是机泵中关键的旋转零部件,研究其有效的故障状态监测及诊断方法对机泵的稳定运行具有重要的意义。总体平均经验模态分解方法利用高斯白噪声具有频率均匀分布的统计特性,将其加入到信号的EMD分解中,促进抗混分解,避免了用EMD方法因IMF分量的不连续性而造成的模态混淆现象。首先利用EEMD方法把机泵滚动轴承故障信号分解成若干个内禀模态函数(IMFs)之和,然后用文中提出的自适应选取IMF分量的方法,对自适应选取的IMF分量进行能量算子解调,提取故障特征,从而避免了基于人为经验选取IMF分量进行能量算子解调所造成的主观性及不科学性。     

基于EEMD近似熵的矿山微震信号特征提取研究

为解决矿山岩体破裂和爆破震动信号不易自动识别的问题,提出了一种基于EEMD(聚合经验模态分解)和近似熵的微震信号特征提取方法,以某金属矿山微震监测系统建立的爆破震动信号与岩体破裂信号数据为分析对象,首先利用该方法对两类微震监测信号进行EEMD分解,获得多个窄带本征模态分量(IMFs);再利用相关系数法确定与两类原始信号最相关的IMF分量得到主要分量,进而计算各主分量的近似熵;最后把主要分量的近似熵值组成表征微震信号的多尺度高维特征向量作为支持向量机(SVM)的判断输入进行训练预测。预测结果表明:EEMD近似熵特征提取方法结合SVM,对矿山爆破震动信号和岩体破裂信号具有较高的识别率,能准确、有效地进行智能分类,为信号识别研究提供了新的途径。     

基于自适应最优核和卷积神经网络的气液两相流流型识别方法

为了研究气液两相流的动态特性,以及解决提取的特征值少而没有代表性导致识别率不高的传统问题,利用V锥流量计和动态差压传感器获取气液两相流在不同流型下的波动信号,采用自适应最优核算法对获取的动态信号进行时频分析,把一维时域信号转换为三维的时频谱图,能够清晰描述出管道内气液两相流的流动状态。将不同流型的时频谱图通过卷积神经网络（CNN）进行学习并自动提取相应的特征值,然后使用Softmax分类器进行训练从而实现流型识别。通过对几种常见流型进行试验与分析发现,采用时频谱图结合卷积神经网络的深度学习方法识别气液两相流流型,克服了传统流型识别方法特征值提取的不足之处,能够更贴切地描述气液两相流的动态特征。此方法可以进一步研究更多种类的流型以及空隙率等。     

基于离散粒子群的气液二相流型特征选择

针对气液二相流型识别中存在的大量无关或冗余的特征会降低分类器性能的缺陷,提出了离散粒子群算法(BPSO)和最小二乘支持向量机(LS-SVM)封装模式的流型特征选择方法.该方法分别采用小波包和经验模式分解方法(EMD)对原始压差波动信号进行分解,分别提取原始信号和各分解信号的时域量纲一指标组成融合特征.然后采用BPSO进...     

子波分析识别环流反应器泡状结构实验

用热膜测速技术以高于对应最小湍流时间尺度的分辨率精细测量了环流反应器内气液二相流速度的时间序列信号,对气液二相流速度信号中自动识别泡状流结构进行了研究。用子波分析方法,将热膜测速仪输出的气液二相流混合速度信号在时域空间和频域空间同时进行时频双局部化多尺度分解,研究了气液二相流中液相流和泡状流结构的分尺度时域特征和分尺度能谱等统计特征,利用子波能谱分析的能量最大准则,提出了一种用子波变换自动识别气液二相流中泡状流结构的新方法。     

槽式孔板气液二相流差压信号的时间序列分析

槽式孔板是一种新型的气液二相流流量传感器,为了研究其二相流测量特性,提出了一种新的信号处理方法。首先应用小波变换模极大值滤波方法对差压测量信号去噪,然后对滤波结果进行经验模式分解得到有限个经验模式函数(IMF),进而对IMF建立自回归(AR)模型,研究了AR模型的参数与气液二相流流型以及分相流量之间的关系。这种信号处理方法能够使具有非平稳特性的差压信号满足时间序列分析的建模条件,AR模型的参数可以有效地区分气液二相流流型,并与气液分相流量的变化密切相关,为气液二相流流型识别和流量计量算法的研究奠定了基础。     

微通道内气液(液液)二相流的实验研究进展

综述了微通道内气液(液液)二相流的流型特征.微通道内气液二相流常见的流型为泡状流、弹状流、环状流和翻腾流;液液二相流常见的流型为液滴流、塞状流、平行流及环状流.分析了不同操作条件对气液(液液)二相流行为的影响.介绍了微通道内气液(液液)二相流流型判别谱图,对常用的弹状流、液滴流和塞状流进行了重点介绍.指出了微通道内气液...     

基于声发射技术的垂直管气液两相流动检测方法

声发射（AE）作为一种无损检测手段,用于气液两相流的测量具有非侵入式、测量不破坏被测管道及流场分布,信号强、灵敏度高等优点。利用声发射技术在河北大学垂直管气液两相流管道上进行了大量实验,运用现代信息数据处理方法对气液两相流垂直管道流型特征参数进行了提取。分析结果表明利用声发射手段提取出的流型特征参数可以反映出典型流型下的动力学特征。垂直管道中,泡状流、弹状流、环状流以及过渡状态下的乳沫状流在时域和频域信号中有着明显区别,小波能量和小波包分解后的信息熵的值也存在较大的差异性,从另一角度验证了在不同流型下两相流体在管道内部不同的运动状态,利用模式识别的思想,对垂直管4种典型流型进行了流型识别,取得了较好的效果,研究结果表明声发射技术可以作为一种技术手段用于气液两相流流动的检测。     

基于图像多特征融合和支持向量机的气液两相流流型识别

The knowledge of flow regime is very important for quantifying the pressure drop, the stability and safety of two-phase flow systems. Based on image multi-feature fusion and support vector machine, a new method to identify flow regime in two-phase flow was presented. Firstly, gas-liquid two-phase flow images including bubbly flow, plug flow, slug flow, stratified flow, wavy flow, annular flow and mist flow were captured by digital high speed video systems in the horizontal tube. The image moment invariants and gray level co-occurrence matrix texture features were extracted using image processing techniques. To improve the performance of a multiple classifier system, the rough sets theory was used for reducing the inessential factors. Furthermore, the support vector machine was trained by using these eigenvectors to reduce the dimension as flow regime samples, and the flow regime intel-ligent identification was realized. The test results showed that image features which were reduced with the rough sets theory could excellently reflect the difference between seven typical flow regimes, and successful training the support vector machine could quickly and accurately identify seven typical flow regimes of gas-liquid two-phase flow in the horizontal tube. Image multi-feature fusion method provided a new way to identify the gas-liquid two-phase flow, and achieved higher identification ability than that of single characteristic. The overall identifica-tion accuracy was 100%, and an estimate of the image processing time was 8 ms for online flow regime identifica-tion.     

高含气率气液两相流差压信号时频特征分析

为了更有效地揭示高含气率气液两相流流动特征,研究了一种新的时频特征分析方法。首先,对差压波动信号进行小波包变换并由变换系数计算信号能量的时频分布;然后,应用统计方法对时频分布进行特征提取得到一组时频特征量。应用类可分性测量准则分析该组特征量区分不同流型的效果,并与以往小波包特征分析方法相比较,结果表明:该组特征量具有更强的流型特征表征能力。最后,以该组特征量为输入向量,构建了集成多类支持向量机分类器实现了流型识别,其流型正确识别率可达97%。     

气液两相流差压波动信号的Hilbert-Huang变换特性

将Hilbert-Huang（HHT）变换应用于中小管径水平管气液两相流差压波动信号的分析.利用经验模态分解（EMD）方法把信号分解成多个内模函数(IMF),再对各内模函数进行Hilbert变换,得到信号的Hilbert谱,并提取各内模函数的信号能量特征.在此基础上比较了不同管径下信号分析的结果,分析了不同频段的能量分布与流型变迁的关系,并讨论了小波变换和HHT两种信号处理方法各自的特点.实验结果表明,HHT可以用于非线性非平稳信号的分析,提取的能量特征值反映了水平管气液两相流的流动状态和流型的变迁,该方法为水平管气液两相流差压波动信号的研究提供了借鉴.     

水平气液两相流流型空间图像信息复杂性测度分析

为了考察从图像灰度序列提取的复杂性测度与气液两相流流型变化之间的关系,本文首先从高速摄影系统拍摄的60种流动工况下水平管内气液两相流流型图像中提取了三种复杂性测度（Lempel-Ziv复杂度,分形盒维数,Shannon信息熵）,在此基础上研究了不同表观气速下三种复杂性测度的混沌动力学特性,以及对气液两相流流型的表征能力。实验结果表明：三种复杂性测度均能敏感地指示出流型的变化;通过对三种复杂度随两相流流动参数变化规律分析,可以得到气液两相流动力学结构反演特征, 为揭示气液两相流流型转化机理和定量识别流型提供了一种有效的辅助诊断工具。