基于LabVIEW的齿轮箱故障诊断系统设计

介绍了利用虚拟仪器技术进行齿轮箱故障诊断系统设计的原理和方法。硬件系统由加速度传感器、信号调理卡、数据采集卡和PC机组成。以LabVIEW为平台设计了界面友好的软件系统,采用"小波去噪+EEMD分解"的非平稳信号处理方法进行故障信号的特征提取。运行结果表明,该系统能快速准确地对齿轮箱故障进行诊断,具有良好的应用前景。     

基于EEMD的SAR海洋内波参数反演

经验模态分解(EMD)方法对非平稳信号进行分解,容易出现模式混叠和边界效应,从而不能得到有物理意义的特征信息.集成经验模态分解(EEMD)能够有效地克服模式混叠和边界效应问题,可准确地提取信号的本质特征信息.在分析SAR图像反演海洋内波参数机理的基础上,本文提出了一种基于EEMD的海洋内波参数反演方法.实验结果表明:与小波分解和EMD方法相比,该方法能更有效地克服模式混叠现象,所提取的分量更接近内波波动的物理本质,所反演的内波参数与经验数据吻合.     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分。当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大。针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法。首先使用集成经验模态分解算法(EEMD)对信号进行预处理,选用峭度原则滤除信号中的无关分量和冗余分量,重构筛选后的固有模态分量(IMF)得到EEMD重构信号;在此基础上,针对柔性薄壁轴承振动信号特点进行MCKD算法进行参数优化,利用参数优化后的MCKD对EEMD重构信号进行提取。运用此方法对实测柔性薄壁轴承外圈故障振动信号进行特征提取,结果表明,准确提取到了清晰的故障特征频率。将提取效果与单一EEMD算法和MCKD算法进行对比分析,EEMD-MCKD算法提取效果更佳。     

基于EEMD-Treelet和高斯过程的起重机齿轮故障诊断

齿轮故障诊断对于起重机安全运行至关重要;提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-Treelet变换和高斯过程(gaussian process, GP)的起重机齿轮振动故障诊断新方法;设计一种细菌觅食算法(bacterial foraging optimization, BFO)优化高斯过程模型超参数;建立基于集成经验模态分解-希尔伯特变换的齿轮振动参数信号特征提取方法,利用Treelet变换实现这些特征的降维学习;建立基于细菌觅食算法优化高斯过程的齿轮故障模型;实验结果表明,EEMD-Treelet-GP诊断方法不仅可以识别最佳特征向量,而且可以识别故障位置。     

一种基于EEMD域统计模型的话音激活检测算法

该文提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsic Mode Function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的 VAD算法,特别在噪声强度大时体现出明显的优势。     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

不同生弧原因下串联型故障电弧实验研究

串联型故障电弧是供电系统的常见故障,会严重影响供电可靠性,甚至引发供电安全事故。在搭建低压串联型故障电弧实验平台的基础上,以三相异步电机和三相变频器为实验负载,针对接触松动和机械振动两种原因引起的串联型故障电弧开展实验研究。利用集合经验模态分解EEMD(ensemble empirical mode decomposition)方法将实验电流信号分解为若干本征模态函数IMF (intrinsic modal function);选取前4阶IMF组成初始向量矩阵,对其进行奇异值分解SVD(singular value decomposition);构建以奇异值平均值为特征量的特征向量,从而获得了不同生弧方式下串联型故障电弧电流信号在奇异值大小上的变化规律。研究结果表明,对不同生弧原因引起的故障电流信号,将经EEMD分解得到的前4阶IMF分量的奇异值作为串联型电弧故障的特征量是可行的。     

基于加速度信号的吊弦断裂检测方法

吊弦是高铁接触网的关键部件，长期裸露于外部环境，且日复一日地承受列车受电弓的冲击作用，容易发生吊弦断裂故障. 本文基于弓网动态仿真模型，对兰新高铁试验段进行仿真，产生在脉动风和受电弓同时作用下的接触网正常和吊弦断裂时接触线和承力索的加速度数据，然后运用EEMD（Ensemble Empirical Mode Decomposition）计算加速度信号的能量熵、奇异熵、平均熵，建立吊弦断裂故障检测的$\mathrm{L}_{1/2}$-LR正则化模型．实验结果表明，在脉动风和受电弓共同作用工况下，所得到的检测方法对吊弦断裂检测的准确率可达97.25%．本文提出的基于EEMD的$\mathrm{L}_{1/2}$-LR模型，具有变量选择作用，发现只需采集承力索跨中位置处的垂直加速度和水平加速度，分别计算其能量熵、平均熵，便可以很高的精度和计算效率检测跨中吊弦是否断裂．     

运用总体经验模态分解的疲劳信号降噪方法

将总体经验模态分解(ensemble empircal mode decomposition,简称EEMD)用于疲劳应变信号降噪,并与小波变换(wavelet transform,简称WT)方法进行了对比.提出了基于EEMD方法的疲劳应变信号降噪计算步骤,并分别用于模拟信号、试验数据和实测资料的降噪处理.讨论了EEMD计算参数对降噪效果的影响,给出了计算参数的选取原则.结果表明,EEMD方法可以较好地降低疲劳信号的噪声,提高应力循环次数统计的准确度,具有自适应的特点.     

Trends in Temperature Extremes in Association with Weather-Intraseasonal Fluctuations in Eastern China

Trends in the frequencies of four temperature extremes (the occurrence of warm days, cold days, warm nights and cold nights) with respect to a modulated annual cycle (MAC), and those associated exclusively with weather-intraseasonal fluctuations (WIF) in eastern China were investigated based on an updated homogenized daily maximum and minimum temperature dataset for 1960-2008. The Ensemble Empirical Mode Decomposition (EEMD) method was used to isolate the WIF, MAC, and longer-term components from the temperature series. The annual, winter and summer occurrences of warm (cold) nights were found to have increased (decreased) significantly almost everywhere, while those of warm (cold) days have increased (decreased) in northern China (north of 40°N). However, the four temperature extremes associated exclusively with WIF for winter have decreased almost everywhere, while those for summer have decreased in the north but increased in the south. These characteristics agree with changes in the amplitude of WIF. In particular, winter WIF of maximum temperature tended to weaken almost everywhere, especially in eastern coastal areas (by 10%-20%); summer WIF tended to intensify in southern China by 10%-20%. It is notable that in northern China, the occurrence of warm days has increased, even where that associated with WIF has decreased significantly. This suggests that the recent increasing frequency of warm extremes is due to a considerable rise in the mean temperature level, which surpasses the effect of the weakening weather fluctuations in northern China.