基于EEMD的HHT多尺度油气水多相流动力学特性研究

经验模态分解容易造成噪声与模态之间的混叠现象,严重影响非线性、非平稳信号HilbertHuang变换多尺度频谱特性的准确性和有效性。为此,以集成经验模态分解进行Hilbert-Huang变换研究水平管道内油气水多相流的多尺度动力学特征。首先对泡状流、塞状流和弹状流3种典型流型的电导波动信号进行集成经验模态分解,消除噪声与模态之间的混叠现象,然后分析各级本征模态函数分量(IMF)的能量和多尺度频谱特性。研究发现,基于集成经验模态分解的多尺度频谱分析可有效揭示3种流型的非线性动力学特性,同时也为流型演化和识别提供重要的参考依据。     

基于集总极值域均值分解的核磁测井信号去噪方法

针对核磁共振测井中自旋回波串混有大量噪声与传统经验模态分解算法存在端点效应和模态混叠的问题,提出一种基于集总极值域均值分解的信号去噪新方法。该方法将极值域均值模式分解融合嵌入集总经验模分解算法中,有效避免了经验模态分解算法存在的弊端,同时继承了其去噪优势。对实际测井数据的分析表明:该方法有效滤除了回波信号的噪声,提高了信噪比,且利用回波信号反演计算出的T2谱和孔隙度与实验用岩心的测量结果一致。     

基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

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。     

快速独立变量分析在压制地震信号经验模态分解模态混叠问题中的运用

在地震信号的时频分析中,利用经验模态分解地震信号得到的本征态函数会存在的模态混叠现象,对分解量直接使用希尔伯特黄变换对地震信号进行时频分析不能得到好的效果。引入快速独立变量分析方法,可以有效地压制模态混叠的现象,再对其进行时频分析,提取瞬时频率属性,可以得到更为细致的时频谱,从而刻画更为准确的地质信息。     

基于EEMD的负压波法管道泄漏定位信号降噪

针对输油管道负压波法泄漏检测噪声干扰大,定位误差大的问题,提出了一种适合负压波泄漏定位降噪的方法。这种降噪方法在原有的经验模态分解基础上加入了白噪声,并运用了集合平均经验模态分解算法,改进了模态混叠现象。根据降噪后的数据进行负压波定位提高了精度,利用现场数据对比未降噪后的信号结果表明:该方法能够有效滤除噪声,提高信号的信噪比,使得负压波法泄漏定位精度提高。     

基于经验模态分解的注射机轴承故障诊断

针对注射机轴承信号进行故障诊断易受到工作环境中其他噪声影响的问题,提出一种基于经验模态分解(EMD)结合快速傅立叶变换(FFT)对轴承振动信号提取故障特征的方法。对振动信号使用EMD算法以完成信噪分离,选取出高信噪比分量进行FFT算法变换,通过频谱图分析轴承故障位置。结果表明:使用变分模态分解算法对含有较大噪声的仿真信号和强背景噪声下注射机轴承故障信号有较好的降噪效果,通过FFT能准确诊断注射机轴承是否出现故障,二者结合达到很好的故障诊断效果,去噪效果明显,为其他旋转机械的故障诊断提供了参考。     

基于自动特征工程的飞行器轴承故障诊断

针对飞行器轴承信号单一且噪声多、需要针对性特征以及需要高可解释性的问题,开发了涵盖具有自适应噪声的完全集合经验模态分解（CEEMDAN）、自动特征工程以及随机森林的故障诊断模型,模型核心为自动进行特征生成以及提取的特征工程。通过该特征工程能够根据不同对象的信号差异,自动提取出不同对象的有效特征,具备对象间的通用性,且该特征工程可根据样本量的不同调整有效特征的数量,丰富特征空间,具备灵活的可扩展性。验证表明,该涵盖自动特征工程的模型的故障分类准确率为95.32%,可较好地在大样本量下区分压缩机轴承上的不同故障。     

基于电-声检测法的整流变压器局部放电故障监测

针对整流变压器局部放电处理不及时会造成变压器击穿、使用寿命缩短的问题，提出了一种基于电-声检测法的整流变压器局部放电故障监测方法。通过加速度传感器和电容传声器分别采集整流变压器振动信号和声纹信号，采用集合经验模态分解（EEMD）和盲源分离相结合的方法提取振动信号和声纹信号特征，包括时域、频域和Mel频谱倒谱系数，以提取的特征作为输入，通过隐马尔科夫模型实现整流变压器局部放电故障识别。以故障类型为绝缘材料内部放电的整流变压器为测试对象进行算例分析，结果表明：绝缘材料内部放电故障类型的观测样本概率最大，说明整流变压器存在局部放电故障，且故障类型为绝缘材料内部放电，与实际情况一致，证明了所研究监测方法的有效性。     

一种改进的经验模态分解算法与测井信号去噪

经验模态分解中的端点效应导致了虚假分量的产生和边界信号的失真,为此基于边界局部特征延拓法,通过判断原始信号的端点能否作为极值点插入到新的上下包络中,有效抑制了端点效应。将改进的经验模态分解算法应用于核磁共振油气井探测回波信号处理中,通过Hilbert谱分析可知,得到了良好的去噪效果。     

可变模态分解算法及其在天然气管道泄漏检测中的应用

对可变模态分解算法在天然气管道泄漏信号检测中的应用做了研究。通过对其噪声鲁棒性、过度分解和不饱和分解特性的分析,并与经验模态分解和小波分解进行对比,证明可变模态分解算法在天然气管道泄漏信号检测与分析方面的可行性和有效性,并且可变模态分解具有更好的噪声鲁棒性和泄漏信号检测效果。     

基于经验模式分解三相流型信号去噪方法研究

经验模式分解(EMD)作为一种信号处理技术,它是基于数据本身的,且能在空间域中将信号进行分解,从而可以区分噪声和有用信号。应用经验模式分解(EMD)对模拟信号及实测油气水三相流压差波动信号进行滤波去噪处理,分别与db8小波及Haar小波的滤波去噪效果进行定量比较。结果表明:EMD方法与小波方法一样能有效地处理短时瞬态及含宽带噪声的信号,但EMD方法更直接,更方便,且不受小波基函数选择的影响,因此EMD方法更具有通用性和稳定性,从而为三相流流型信号的预处理提供了又一种有效的方法。     

基于EMD与核马氏距离的变速器轴承故障程度评估研究

变速器轴承故障是失效模式的重要因素,故障程度评估是剩余寿命预测的基础,也是实现"视情维修"的前提。经验模态分解(Empirical mode decomposition,EMD)通过信号本身的时域特征,将其自适应地分解为多个分量,具有优异的时频聚焦能力,经常被用于非平稳信号的故障特征提取。本文将EMD与核马氏距离相结合,利用EMD优异的时频特性进行特征提取,以核马氏距离评估轴承的故障劣化程度。     

EEMD近似熵和支持向量机的管道泄漏特征向量提取研究

针对管道泄漏检测中常存在误报、错报及漏报等问题,提出一种管道泄漏检测高准确率的检测方案。该方案将EEMD近似熵和支持向量机相结合应用到管道泄漏检测研究中,为消除端点效应和模态混叠现象,将改进经验模态分解和近似熵相结合对管道泄漏信号进行泄漏特征提取,组成特征向量组作为支持向量机分类的输入,实现较好的分类效果。     

基于改进集合经验模态分解和深度信念网络的出水总磷预测

出水总磷的准确预测对于城市污水处理厂的高效、稳定的运行至关重要。文中针对城市污水处理过程中出水总磷难以预测的问题,提出一种基于改进集合经验模态分解（modified ensemble empirical mode decomposition, MEEMD）和深度信念网络（deep belief network, DBN）的出水总磷预测方法。首先,设计一种MEEMD算法对城市污水处理过程出水总磷数据信号进行分解,获取多个本征模态函数（intrinsic mode function, IMF）组合;然后,建立一种基于模拟退火（simulated annealing, SA）算法的深度信念网络预测模型,通过优化的模型结构对分解后得到的每个IMF分量进行有效预测;最后,通过大气CO₂浓度预测和城市污水处理出水总磷预测验证了所提出方法的有效性。     

基于峭度系数和隐马尔科夫模型的气液两相流流型识别方法

为了研究垂直上升管中气液两相流流型,采用经验模态分解与峭度系数相结合的方法对垂直上升管中的气液两相流进行流型特征提取,利用隐马尔科夫模型对流型进行识别。首先对采集的电导波动信号进行经验模态分解,然后根据得到的固有模态函数分量求取峭度系数,并将其作为特征向量,输入到已经训练好的隐马尔科夫模型中对流型进行识别。实验结果表明该方法能够准确地识别出3种典型流型,且识别效果良好。     

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%。     

改进的经验模态分解方法及在储层预测中的应用

希尔伯特黄变换(Hilbert-Huang transform,HHT)比常规的时频分析方法有着更好的时频分辨率和时频聚焦性,在处理实际地震信号这类非线性非平稳信号时,有更好的优势。但是HHT方法由于自身算法存在的不足,导致采用希尔伯特黄变换分析后的结果会出现模态混叠、端点效应和曲线拟合等问题。为了使HHT方法更准确地分析和预测地震储层信息,将HHT中的经验模态分解方法(Empirical Mode Decomposition,EMD)进行改进,提出了基于B样条插值和镜像对称延拓的完备总体经验模态分解方法(Complete Ensemble Empirical Mode Decomposition,CEEMD)。将改进后的方法运用于实际资料处理并进行储层预测,预测结果与实际井数据结果吻合,说明该方法较常规HHT方法更为准确地反映含油气储层特征。     

基于电导波动信号的EMD分解和RBF神经网络的气液两相流流型识别方法

针对电导波动信号具有非线性、非平稳的特征,提出一种应用经验模态分解（EMD）和RBF神经网络进行流型识别的新方法。首先对电导波动信号进行EMD分解,提取出IMF能量参数特征,然后将其输入到RBF神经网络,从而实现了对流型的识别。研究结果表明：该方法能够准确地识别出泡状流、弹状流、塞状流和混状流四种流型,且具有较好的识别效果。该方法为流型识别提开辟了新的方向。