EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

基于FCEEMD复合筛选的故障特征提取方法

针对快速集成经验模态分解(FEEMD)和固有模态函数(IMF)选择方法的缺陷，提出一种基于快速互补总体经验模态分解(FCEEMD)复合筛选的故障特征提取方法。首先，引入符号相反的成对的白噪声来中和FEEMD中的残余噪声，抑制IMF之间的模态混叠并得到一系列新的IMF;然后，基于能量及相关系数构建复合筛选模型并根据筛选得到的有效IMF构建重构信号；最后，通过希尔伯特(Hilbert)包络解调提取重构信号中包含的周期性脉冲特征来诊断轴承故障。凯斯西储大学(CWRU)轴承数据集上的实验结果表明，该方法能高效、准确地提取出轴承故障特征，在旋转机械故障诊断中有借鉴意义和应用前景。     

基于归一化幅频系数的模态混叠解决方法

针对在经验模态分解的过程中由于间断信号造成的模态混叠问题,提出利用对信号作经验模态分解得到的第1个固有模态函数的瞬时频率和幅度定义归一化幅频系数,分离出间断信号。实验结果证明,该方法可以克服间断信号对后续经验模态分解的影响,将间断信号分离为一个固有模态函数。     

局部经验模态分解算法

对经验模态分解算法中的异常事件干扰机制做了深入的探讨,指出发生频率混叠现象时必须满足的两个条件。为了避免出现频率混叠现象,提出了基于动态窗口的局部分解算法。利用信号的时间特征尺度检测出信号的突变并定位局部高频分量,在分解信号的过程中,局部分解算法并不对信号的整个时间区域进行分解,而是以定位好的局部高频分量位置为窗口,进行局部的经验模态分解,分离出高频分量。通过这种局部分解,就可以有效地消除模态间的频率混叠,得到的固有模态函数更可靠地反映了真实物理过程。和现有异常事件处理方法相比,局部经验模态分解算法在理论上和经验模态分解算法更为统一,方法更为简便。通过实例表明了局部经验模态分解算法的有效性。     

EMD间歇信号的检测和提取方法

讨论了由于间歇信号嵌入导致经验模式分解结果出现模态混叠的现象,指出极值点序列幅值突变是产生模态混叠的根本原因.利用第一阶固有模态函数极值点间距的变化和信号极大值以及极小值序列值的变化,构建了两种间歇信号的判别方法,并讨论了间歇信号的边界延拓方式.在间歇信号识别的基础上,用局部经验模式分解的方法提取间歇信号.最后以实际算例证明了该方法的有效性.     

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。     

基于CEEMD和TEO的电力电缆故障测距方法研究

针对传统希尔伯特黄变换(HHT)中经验模态分解(EMD)在分解过程中存在模态混叠现象,将补充总体平均模态分解(CEEMD)与Teager能量算子相结合.提出一种基于CEEMD和TEO的电力电缆故障行波测距方法,通过CEEMD分解得到故障行波信号的固有模态分量(IMF),采用Teager能量算子得到瞬时能量谱,得到故障初始行波到达检测点时刻.PSCAD/EMTDC仿真结果验证了该方法的正确性,测距精度高.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

经验模态分解结合包络谱LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明：单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。     

Partial ensemble approach to resolve the mode mixing of extreme-point weighted mode decomposition

Empirical mode decomposition (EMD) is an effective tool for breaking down components (modes) of a nonlinear and non-stationary signal. Recently, a newly adaptive signal decomposition method, namely extreme-point weighted mode decomposition (EWMD), was put forward to improve the performance of EMD, in particular, to resolve the over- or undershooting issue associated with the large amplitude variations. However, similar to EMD, EWMD also suffers the mode mixing problem caused by intermittence or noisy signals. In this paper, inspired by complementary ensemble EMD (CEEMD), a noise-assisted data analysis method called partial ensemble extreme-point weighted mode decomposition (PEEWMD) is proposed to eliminate the mode mixing problem and enhance the performance of EWMD. In the proposed PEEWMD method, firstly white noises in pairs are added to the targeted signal and then the noisy signals are decomposed using the EWMD method to obtain the intrinsic mode functions (IMFs) in the first several stages. Secondly, permutation entropy is employed to detect the components that cause mode mixing. The residual signal is obtained after the identified components are separated from the original signal. Lastly, the residual signal is fully decomposed by using the EWMD method. The proposed PEEWMD method is compared with original EWMD, ensemble EWMD (EEWMD) and CEEMD using simulated signals. The results demonstrate that PEEWMD can effectively restrain the mode mixing issue and generates IMFs with much better performance. Based on that the PEEWMD and envelope power spectrum based fault diagnosis method was proposed and applied to the rubbing fault identification of rotor system and the fault diagnosis of rolling bearing with inner race. The result indicates that the proposed method of fault diagnosis gets much better effect than EMD and EWMD.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。     

极值域均值模式分解在轴承故障诊断中的应用

为了研究滚动轴承信号的非平稳特征,提出了将局域波方法和Parzen窗概率神经网络相结合的故障诊断方法.分析了局域波时频分析中极值域均值模式分解方法的改进方法,并提出了一种筛选停止准则.对分解所得分量,提取平均瞬时频率和能量比作为故障特征向量构造神经网络,进行状态判断.通过对现场采集的滚动轴承信号进行分析,说明了该方法的...     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解（EMD）和Hilbert-Huang变换（HHT）组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于改进小波包阈值降噪的滚动轴承故障分析

具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节。因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析。首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析。最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。     

A rotating machinery fault diagnosis method based on local mean decomposition

Local mean decomposition (LMD) is a novel self-adaptive time–frequency analysis method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals. By using LMD, any complicated signal can be decomposed into a number of product functions (PFs), each of which is the product of an envelope signal and a purely frequency modulated signal from which physically meaningful instantaneous frequencies can be obtained. In fact, each PF is just a mono-component AM–FM signal. Therefore, the procedure of LMD may be regarded as the process of demodulation. While fault occurs in gear or roller bearing, the vibration signals picked up would exactly display AM–FM characteristics. So it is possible to diagnose gear and roller bearing fault by LMD. Targeting the modulation features of the gear or roller bearing fault vibration signal, a rotating machinery fault diagnosis method based on LMD is proposed. In this paper, firstly the LMD method is introduced; secondly, the LMD method is compared with another competing time–frequency analysis approach, namely, empirical mode decomposition (EMD) method and the results show the superiority of the LMD method; finally, the LMD method is applied to the gear and roller bearing fault diagnosis. The analysis results from the practical gearbox vibration signal demonstrate that the diagnosis approach based on LMD could identify gear and roller bearing work condition accurately and effectively.     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。