基于经验模态分解的旋转机械故障信号去噪源分离

针对旋转机械故障诊断中信号源不足的问题,综合经验模态分解(EMD)、主成量分析(PCA)和去噪源分离(DSS)各自的优点,提出一种基于EMD和PCA的欠定去噪源分离方法(EMD-PCA-DSS)。首先通过EMD求出本征模函数(IMF),进而重组IMF分量和原观测信号作为新的观测信号,解决了盲源分离(BSS)中源信号数据不足的问题。然后,通过PCA估计观测信号的源数,利用DSS估计出源信号。将该方法应用于某转子的实测故障信号分析中,诊断出转子发生了不平衡故障,表明该方法在旋转机械故障诊断中的有效性,这对于机械设备的状态监测和故障诊断具有重要的工程意义。     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分．引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势．实践证明,较单一模型具有更高的预测精度．     

经验模态分解在直升机谱特征提取中的应用

为了更有效地提取直升机辐射噪声的频谱特征,提出了一种基于经验模态分解(EMD)的特征提取算法.仿真研究表明EMD具有突出信号局部特征且余量可表征信号变化趋势的特性,该算法将目标辐射噪声的频谱构成和EMD的特性相结合,将EMD应用于变换域(信号频谱序列)信号分析,有效的实现了信号连续谱的提取.相比于平滑滤波器法须人为选择最优的α值,且提取的连续谱有滞后性的不足,文中所示方法可自适应的提取信号的连续谱,且在准确无滞后地估计连续谱的同时,对线谱有一定的"增益",为后续的目标识别提供更全面的信息.     

基于AR模型谱估计的调制方式自动识别算法

使用现代谱估计技术估计出平滑的调制信号功率谱,从信号的功率谱和信号平方的功率谱中提取出谱峰个数和谱峰的峰态量两个特征参数.在不需要先验知识的情况下,可对常用的MPSK和MFSK信号进行自动识别.仿真结果表明,两个新特征值在信噪比较低时（-2 dB）仍然能有较高的识别率.     

基于神经网络的旋转机械故障诊断系统

应用神经网络方法对旋转机械的故障诊断进行了实用性研究,给出了神经网络的诊断模型,并研制出相应的基于神经网络方法的旋转机械故障诊断系统,实际运行的结果表明,该系统对故障的诊断是有效的．     

旋转机械故障诊断分析系统

该系统采用全新的转子正、反进动分析技术和先进的信息处黎方法,以“面向故障特征,浓缩机器特征信息”为设计思想,引入旋转机械转子运动的正进动、反进动和进动比量作为故障特征量,丰富和凸现了机器的振动特征,建立了完整的基于轴心进动分析的旋转机械敞障诊断理论,确定了典型故障的特征信息和诊断准则,可提供更可靠的故障诊断依据,大大提高了旋转饥械状态监测与故障诊断的灵敏度和准确,获得了国家科学技术进步二等奖。     

基于矢量振动信号的AR功率谱分析及应用

以矢谱分析为基础，提出了一种针对双通道振动信号的分析方法——矢功率谱分析。从矢谱基础理论出发，证实了转子同一截面上互相垂直的任意两个通道在各频率响应下的能量总和为一定值这一结论，并以此为前提给出矢功率谱分析的表示方法，然后利用参数模型功率谱估计中的AR模型实现了双通道数据集成的AR功率谱估计；因计算过程较为繁琐，提出简化算法，对两个信号的处理可以同步进行，最后用C Builder5.0编程实现了这一分析方法，并用实际数据验证了其实用性．     

基于粗糙集对旋转机械故障诊断系统的研究

针对机电设备故障诊断中存在的知识冗余和不确定性,从原始数据出发,利用决策表约简算法进行属性和属性值的约简,建立了故障诊断的规则库.给出了基于粗糙集的故障诊断和知识获取模型的一般结构.通过对旋转机械典型故障的分析,建立了决策表,通过对决策表的约简,减少了数据库中数据的数量,解决了故障诊断中知识获取的瓶颈问题.提出了决策表的属性值约简的一种简化算法.实验证明该方法是可行的.     

基于经验模态分解的汽车销量预测方法研究

国内基本型乘用汽车(轿车)的销售量受宏观经济、消费政策、消费者收入水平等因素影响,呈现明显非线性、非平稳性特征.运用经验模态分解(EMD)方法,将汽车销量时间序列分解为若干本征模函数(IMFn)和一个残差序列(R);将各分量重组为高、低频序列和趋势项,分别运用差分自回归移动平均模型(ARIMA)进行预测,累积预测结果为...     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

基于经验模式分解和广义维数的机械故障诊断

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通过分析待检测信号和各样本信号的广义维数矩阵相关系数,判断故障状态。实验结果表明,该方法可以准确地识别机械故障状态,是一种有效的机械故障诊断手段。     

基于内禀模态奇异值伪熵特征提取的电能质量扰动识别

针对电能质量暂态扰动信号的非平稳、非线性等特点,提出一种基于内禀模态奇异值伪熵特征提取和支持向量机的电能质量复合扰动识别分类方法.该方法通过经验模态分解方法将各种非平稳电能质量扰动信号分别分解成若干个平稳的内禀模态函数,然后分别对每个有意义的内禀模态函数组成矩阵.该识别方法提出奇异值伪熵的概念,并依据该奇异值伪熵特征向量,通过支持向量机对各种电能质量扰动数据进行识别分类.实验结果表明,所提方法能有效地进行特征提取和电能质量扰动识别分类.     

基于EMD分解及相关分析法的配电网高阻接地故障定位

提出一种基于经验模态分解(EMD)及相关分析法的配电网单相高阻接地故障定位方法。该方法通过仿真得到不同接地点的高阻接地故障的零序电流样本数据,利用EMD对其进行分解获取不同的本征模态(IMF)分量,再选取区分度最大的IMF作为特征量,与通过故障定位装置计算得到的故障点IMF分量实际值进行相关分析,相关度最高的点即为故障点。并与直接应用零序电流作为特征量的定位结果进行比较,此方法定位精度有了较大的提高。应工程实际所需,实现了VC与MATLAB之间的连接通信。更多还原     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解（variational mode decomposition,VMD）早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明：优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.

     

基于改进的经验模态分解的虹膜识别方法

首先,采用先行后列的方法对归一化虹膜图像进行经验模态分解,得到不同尺度的固有模态分量;找出有利于识别的分量,将其进行二值化处理生成特征图像;然后对特征图像进行水平和垂直移位匹配,得到海明(Hamming)距离匹配向量,计算匹配向量的改进标准差,以此标准差进行虹膜识别。最后分别对CASIA1、CASIA2、CASIA3-interval、MMU1库进行了识别,结果表明:该方法能够有效地提取图像的二值特征,具有速度快、识别率高等优点。     

基于EMD的长周期地震动分量提取方法

在实际地震记录形成过程中存在高、低频成分地震波的叠加,地震动高、低频成分的组成是地震动反应谱特征的重要反映.采用数字滤波技术,以加速度反应谱平均周期2 s为截止周期,结合经验模态分解,提取2 s以上的本征模态函数及残值重构并基线校正后作为长周期分量,其余本征模态函数重组为短周期分量;通过原地震动与分量的相关性、反应谱的...     

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。