基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于改进极限学习机的水轮机运转状态识别

针对水轮机远程运行状态监测困难的现状，提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization, SA-PSO)优化极限学习机(extreme learning machine, ELM)的方式，建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)获得IMF分量，引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号，同时对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点，用SA-PSO优化ELM的权值和阈值，构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据，分析了基于PSO-ELM、ELM及SA-PS...     

基于CEEMDAN·MPE-NHT的爆破地震波信号时频分析

针对希尔伯特-黄变换(Hilbert-Huang Transform, HHT)处理混有噪声的爆破地震波信号时，会出现时频分析失真的现象，对影响HHT时频分析精度的因素进行逐一改进，得到改进后的算法来提高含噪爆破地震波信号时频分析精度。首先对经验模态分解(Ensemble Empirical Mode, EMD)进行改进得到自适应补充集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)抑制低频趋势项，同时添加多尺度排列熵(Multiscale Permutation Entropy, MPE)代码控制高频噪声，最后对CEEMDAN·MPE得到的IMF进行归一化Hilbert变换(Normalized Hilbert Transform, NHT),通过上述三步即可改善传统HHT含噪爆破地震波信号时频分析精度不足的问题。为验证CEEMDAN·MPE-NHT算法时频分析的准确性，进行HHT和CEEMDAN·MPE-NHT算法的含噪仿真信号时频分析对比研究，并将CEEMDAN...     

基于CEEMDAN-TSMPE-PCA风力发电机齿轮箱高速轴承故障诊断技术

针对风力发电机组轴承故障信号微弱、不易提取、识别困难等问题,提出基于自适应白噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、时移多尺度排列熵(Time-Shift Multiscale Permutation Entropy, TSMPE)、主成分分析法(Principal Component Analysis,PCA)相结合的振动信号降噪算法,结合改进人工鱼群(Improved Artificial Fish Swarm Algorithm,IAFSA)优化支持向量机(Support Vector Machine,SVM)分类算法,实现风力发电机轴承的故障诊断。首先将风力发电机轴承原始振动信号进行CEEMDAN分解,得到一系列由高频到低频的IMF分量,通过相关系数筛选出经CEEMDAN分解后所产生虚假分量以及残余噪声分量并进行剔除,再通过峭度值在剩余分量中筛选出包含故障信息较多的IMF分量进行信号重构;其次,采用TSMPE计算重构信号的敏感特征值,经PCA选择后组成特征向量;最后,以IAFSA优化SVM,训练IAFSA-SVM多分类故障分类器,实现风力发电机轴承故障识别。将该方法与其他组合方法进行比较,证明所提方法在风力发电机轴承故障诊断中具有优越性和有效性。     

EMD近似熵结合支持向量机的心音信号识别研究

针对心音信号的非线性、非平稳特征和心音识别准确率不高且分类速度较慢的实际情况,提出一种经验模式分解(Empirical Mode Decomposition,EMD)近似熵(Approximate Entropy,ApEn)结合支持向量机(Support Vector Machine,SVM)的心音分类识别方法。首先通过EMD方法将非平稳的心音振动信号分解成若干个平稳的固有模态函数(Intrinsic Mode Function,IMF);然后利用互相关系数准则对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;最后将特征向量输入SVM分类器进行分类识别。对临床采集的心音样本按本文提出的方法进行测试,结果表明,该方法能有效地用于心音识别。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析EI北大核心CSCD

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

改进的EMD结合重复降噪在故障诊断中的应用

滚动轴承的故障信号采集中往往含有大量的噪声信号。对采集信号进行小波包降噪后,利用经验模态分解(empirical mode decomposition,EMD)得到若干个固有模态函数(intrinsic mode function,IMF)。计算各个IMF与去噪后信号的相关系数以此确定哪几个IMF是待分析信号的有效集,根据有效集中IMF的突变程度来选择不同消失矩的db系小波进行小波降噪。对IMF进行边际谱分析来判断滚动轴承哪个部位发生故障。该方法有效地去除了混杂在故障信号中的噪声,提高了信噪比,准确地判断出滚动轴承发生故障的部位。     

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

EMD-Based Signal Filtering

In this paper, a signal-filtering method based on empirical mode decomposition is proposed. The filtering method is a fully data-driven approach. A noisy signal is adaptively decomposed into intrinsic oscillatory components called intrinsic mode functions (IMFs) by means of an algorithm referred to as a sifting process. The basic principle of the method is to make use of partial reconstructions of the signal, with the relevant IMFs corresponding to the most important structures of the signal (low-frequency components). A criterion is proposed to determine the IMF, after which, the energy distribution of the important structures of the signal overcomes that of the noise and that of the high-frequency components of the signal. The method is illustrated on simulated and real data, and the results are compared to well-known filtering methods. The study is limited to signals that were corrupted by additive white Gaussian noise and is conducted on the basis of extended numerical experiments.     

基于改进的Hilbert-Huang变换的滚动轴承故障诊断

由于Hilbert-Huang变换中的EMD（empirical mode decomposition EMD）在低频段产生多余的IMF（intrinsic mode functions IMF）这一缺陷，故在滚动轴承故障诊断应用中也遇到相应的麻烦。文中提出用每个IMF的能量与原始信号的能量比作为判断标准来剔出分解中产生的多余IMF，并且选择能量比最大的IMF进行边际谱的计算，再选取幅值最大处的频率与轴的旋转频率之比作为表征滚动轴承状态的特征向量，然后采用线性神经网络进行状态识别。实验结果表明，该方法是一种非常有效的滚动轴承故障诊断方法。