基于Hilbert频移的EEMD谐波检测方法

针对经验模态分解(EMD)在谐波检测应用中产生模态混叠的问题,结合EMD分解的局限性和谐波检测实际情况进行分析。首先用集合经验模态分解(EEMD)消除EMD遇到间歇信号干扰出现的模态混叠问题,然后根据谐波信号间的密频问题,提出了基于Hilbert频移的EEMD谐波检测方法。该方法先对谐波信号进行EEMD分解,通过相关度判断相近信号是否发生混叠,若发生混叠,利用Hilbert频移方法使信号满足EEMD分解条件,从而将其分解为单频率分量信号。经仿真验证,该方法能够很好地克服谐波检测中的间歇信号干扰和信号间密频问题,保证了谐波信号有效分解和实用性。通过对实际整流信号的分析证明该方法具有很好的检测效果。     

岩石动态特性对爆破振动能量分布的影响

为了从爆破振动能量分布角度研究破碎能量利用问题,结合露天铁矿岩石动态特性,使用EEMD方法分析爆区磁铁矿、绿泥岩与混合岩的动态特性对振动能量分布的影响规律。结果表明：动抗拉强度与弹性模量最低的混合岩,爆破振动能量的分布最为均匀,振动能量在50 Hz以下的频带出现了分散的多个峰值,90％以上的振动能量集中在20~80 Hz;随着岩石动抗拉强度与弹性模量的减小,爆破振动能量在整体上的分布向高频发展,总能量与瞬时能量峰值均明显降低,用于岩石破碎的爆炸能量比例提升,且爆破远区振动能量分布频带增宽,有利于岩体完整性保护。     

基于EEMD的变压器振动与声音信号IMF峭度特征量提取方法

针对变压器振动问题,提出了一种基于集合经验模态分解(EEMD)的本征模函数(IMF)峭度特征量提取方法,并运用相关系数法、快速谱峭度图法提取敏感IMF分量。提取试验变压器正常、铁心松动故障状态下的振动、声音信号的特征量,研究变压器在正常、故障状态下这两种信号特征量分布情况;分析实际运行中出现铁心磁路故障、铁心多点接地故障状态的变压器的IMF峭度特征。结果表明,提出的特征量提取方法可同时反映频域、时域特性;在不同故障条件下,振动与声音信号的特征量变化不同,二者可相互补充,研究两种信号更有利于变压器状态的判定。     

不同微差间隔下爆破振动信号的反应谱分析

为研究不同微差间隔下爆破振动信号的反应语特性,基于金堆城露天矿现场爆破振动试验数据,对不同微差间隔的两孔爆破振动信号进行了反应谱分析.首先,利用实测的爆破振动速度信号采用直接微分法获得了加速度信号,并利用EEMD分解时加速度信号进行低通滤波去噪处理,获得了准确清晰的加速度曲线.然后,利用精确法求得了不同微差间隔下爆破振...     

EEMD在爆破振动信号去噪中的应用

针对小波类去噪方法存在基函数的选择,同时未摆脱Fourier变换为基础带来的缺陷、EMD去噪存在模式混叠的问题,将EEMD去噪引入到爆破振动信号处理领域.首先利用仿真试验验证了EEMD克服了EMD的固有缺陷,然后分别利用小波、EMD、EEMD对数值微分所获取的加速度时程曲线进行低通去噪处理,对比结果表明:EEMD不仅具...     

基于EEMD与时间序列法的短期风电场功率预测

随着风力发电技术的发展,风电已成为最主要的新能源发电方式.但因风的随机性造成的风场输出功率的随机波动,电网将面对备用容量增多、调度难度增大以及风电场弃风等问题.解决上述问题的有效途径之一就是对风电场输出功率进行准确预测.针对风电场功率时间序列的非线性和非平稳性,分别将EMD和EEMD方法与时间序列的方法相结合应用于风电场功率预测中,提出基于EMD - ARMA和EEMD-ARMA的风功率预测方法.采用某风电场的实际功率数据进行分析预测,预测结果验证了所提方法的正确性和有效性.     

基于小波阈值降噪 EEMD分解的潮汐河网地区纳潮引水调度周期研究

鉴于在分析纳潮引水方案时,基于潮位周期变化规律的典型潮位过程选取难度较大,将小波阈值降噪与EEMD信号处理方法引入潮位特征分析中,结合径流量变化影响分析、端点效应消除及周期合理性检验等,提出基于小波阈值降噪 EEMD分解的潮汐河网地区纳潮引水调度周期识别方法。对福州市南台岛纳潮引水调度周期的分析结果表明,南台岛纳潮引水调度周期为14 d,利用小波阈值降噪 EEMD分解法提取潮汐河网地区纳潮引水调度周期合理可行。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

Forecasting reservoir monthly runoff via ensemble empirical mode decomposition and extreme learning machine optimized by an improved gravitational search algorithm

Monthly streamflow prediction plays a significant role in reservoir operation and water resource management. Hence, this research tries to develop a hybrid model for accurate monthly streamflow prediction, where the ensemble empirical mode decomposition (EEMD) is firstly used to decompose the original streamflow data into a finite amount of intrinsic mode functions (IMFs) and a residue; and then the extreme learning machine (ELM) is employed to forecast each IMFs and the residue, while an improved gravitational search algorithm (IGSA) based on elitist-guide evolution strategies, selection operator and mutation operator is used to select the parameters of all the ELM models; finally, the summarized predicated results for all the subcomponents are treated as the final forecasting result. The hybrid method is applied to forecast the monthly runoff of Three Gorges in China, while four quantitative indexes are used to test the performances of the developed forecasting models. The results show that EEMD can effectively separate the internal characteristics of the original monthly runoff, and the hybrid model is able to make an obvious improvement over other models in hydrological time series prediction.     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。