HHT与神经网络在舰船目标特征提取中的应用

目标识别一直是水声领域的关键技术之一。将高阶累积量用于希尔伯特变换特征提取中,通过对舰船目标辐射噪声信号进行采集,得到舰船目标噪声信号,进而提取目标辐射信号各阶模态的相邻平均瞬时频率比、相对标准差、中心频率、平均强度、高阶矩和高阶累积量等作为特征,最终利用BP神经网络来实现对两类舰船目标的分类识别。通过对实际舰船目标噪声进行识别,验证了该舰船目标识别系统具有较好的识别效果。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

基于EMD的锌钡白回转窑煅烧温度滤波

针对回转窑煅烧温度接触式测温方式中由于窑体转动引起的测量值的波动问题,提出采用基于经验模态分解的滤波算法来解决。利用固有模态函数的窄带性和频率递减性分别设计了离线和在线滤波算法。对仿真数据和锌钡白回转窑实际数据的处理结果表明,该滤波算法不但可以有效滤除窑体转动带来的干扰,而且可适应窑体转速在既定范围内变化的情况。     

Proposal of a plutonium burner system based on HTGR with high proliferation resistance

An innovative plutonium burner concept based on high temperature gas cooled reactor (HTGR) technology, “Clean Burn”, is proposed by Japan Atomic Energy Agency (JAEA). That is expected to be as an effective and safe method to consume surplus plutonium accumulated in Japan. A similar concept proposed by General Atomics (GA), Deep Burn, cannot be introduced to Japan because of its adopting highly enriched plutonium, which shall infringe on a Japanese nuclear nonproliferation policy according to Japan–US reprocessing negotiation. The Clean Burn concept can avoid this problem by employing an inert matrix fuel (IMF) and a tightly coupled fuel reprocessing and fabrication plants. Both features make it impossible to extract plutonium alone out of the fabrication process and its outcomes. As a result, the Clean Burn can use surplus plutonium as a fuel without mixing it with uranium matrix. Thus, surplus plutonium alone will be incinerated effectively, while generation of plutonium from the uranium matrix is avoided. High neutronic performance, i.e., achievement of burn-up of about 500 GWd/t and consumption ratio of plutonium-239 reaching to about 95%, is also assessed. Furthermore, reactivity defect caused by the inert matrix is found to be negligible. It is concluded that the Clean Burn concept is a useful option to incinerate plutonium with high proliferation resistance.     

基于EMD和小波变换的结构风振高阶参振模态识别

为了确定结构随机理论求解中的高阶参振模态数目,采用经验模式分解(EMD)与小波变换相结合的方法分析结构气弹模型自激响应数据信号的时-频-谱联合特性,从原始信号中分解出固有模态函数(IMF),再对各个IMF进行小波变换提取信号特征参数,从而识别出结构风振随机计算所需的高阶参振模态截止频率,并将识别结果与直接采用随机理论对...     

EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.     

基于VMD的相控阵超声信号降噪方法研究

针对超声检测在钢板板边和轮对可能存在漏检的问题,采用相控阵超声检测技术对钢板板边裂纹缺陷和轮对孔缺陷进行成像检测;针对钢板和轮对缺陷散射信号信噪比低的问题,提出了一种参数优化的变分模态分解（VMD）算法,避免了人为主观影响,通过选择对应频带的本征模态函数（IMF）分量表征原始信号特征,并通过比较VMD分解后各本征模态函数（IMF）分量与原始信号的信噪比与均方根误差来评价（VMD）算法的效果,最终实现缺陷成像检测。实验结果表明：与原始信号相比,该方法处理后的缺陷信号具有较好的保真度,信噪比与平滑度,均方根误差降低,不易出现模态混叠现象,有良好的分解效果。处理后成像结果更为清晰,缺陷的大小、位置及形状都能够完整展示出来,可以实现孔缺陷和裂纹缺陷的定位检测。     

基于差异度的旋转机械故障分类

针对旋转机械在故障和正常状况下的旋转振动信号存在频率差异的特点,给出了差异度的信息分离方法。依据该方法筛选出有用的IMF分量,求取这些IMF分量的能量特征。把这一系列特征向量送入分类器进行分类,从而可以实时、高效的对旋转机械进行诊断,并完成故障分类。     

一种改进的经验模型分解方法

在对复杂信号进行分析中,常把它展开成一系列基本信号,然后,通过研究每个基本成分或者相应系数的特点来分析复杂信号。Huang等人提出经验模型分解方法(Empirical Mode Decomposition,EMD),通过筛选,将复杂信号中分解成一系列内在模型函数(Intrinsic Mode Function,IMF)。在本论文中,作者对经验模型分解中的一个重要的筛选过程作了部分改进,提出了一种改进检验模型分解法(Modified EMD,MEMD)。利用改进检验模型分解法,能够既快又准确地获得内在模型函数,而且,得到的内在模型函数能保留原信号中各成分的瞬时频率的规律。     

煤矿机械振动信号预测研究

根据煤矿机械振动信号高低频组成成分变化规律的差异,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的煤矿机械振动信号组合预测方法。将滚动轴承振动信号进行EMD分解,得到相对平稳的本征模态函数(IMF)分量,并将波动程度相近的IMF分量进行重构,得到高频子序列和低频子序列,采用SVM分别对高频子序列和低频子序列进行预测,将2个预测结果叠加,得到最终预测值。选取轴承实验数据对组合预测方法的有效性进行验证,结果表明该方法的均方根误差、平均绝对误差和平均绝对百分比误差均小于直接预测方法。将该组合预测方法应用于某选煤厂主井带式输送机滚动轴承状况预测,预测结果与实际情况相符。