基于FastICA-EEMD的振动信号特征提取

针对水轮发电机组的振动信号之间相互影响且容易受到噪声干扰的问题,提出了一种基于快速独立分量分析(FastICA)和集合经验模态分解(EEMD)的故障特征提取方法。首先,利用快速独立分量分析将原始信号分离成若干个独立分量;然后对每个分量均进行集合经验模态分解,根据归一化能量与归一化相关系数两个参数来选取有效的本征模态分量(IMF);最后将其进行重构以获得对应的故障特征。通过仿真与实例分析,并与其他方法进行对比,结果表明该方法可以有效抑制噪声干扰,更为全面、准确地提取到水轮发电机组的振动特征信号,满足实际工程需求。     

基于CEEMDAN-HD-云模型特征熵的油气管道工况识别

针对长输油气管道泄漏检测过程中泄漏信号特征信息提取困难,提出一种新的管道负压波信号特征提取方法。采用添加自适应噪声的完备集合经验模态分解算法对采集的负压波信号进行去噪,通过评估CEEMDAN分解后分量与原始信号的概率密度之间的豪斯多夫距离选取有效模态并重构。计算重构信号的云模型特征熵、峭度作为特征参数,用支持向量机进行分类识别。通过实验室数据验证,CEEMDAN、豪斯多夫距离与云模型特征熵结合的方法可以有效提高油气管道泄漏检测的准确性,实现了对流量小于m/h的微小泄漏信号的识别,具有一定的现场应用价值。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。     

基于变分模态分解与精细复合多尺度散布熵的发电机匝间短路故障诊断

针对多极发电机匝间短路故障诊断与识别难度高的问题,提出了变分模态分解与精细复合多尺度散布熵结合的方法处理发电机定子振动信号.所提方法应用变分模态分解将原始信号分解为多个模态分量,并依据峭度和相关系数原则选取2个不同分量进行信号的重构,应用精细复合多尺度散布熵来进行重构信号的分类及故障识别.对3对极发电机匝间短路故障前、...     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解(EEMD)和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量(IMF)近似熵特征值输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)和近似熵特征提取方法进行对比实验。识别结果表明:采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

自适应迭代滤波在水轮发电机组振动分析中的运用

水轮发电机组的振动和水轮机压力脉动是衡量机组运行状态稳定性的重要指标,为了确保机组的正常运行,通常采集机组的振动信号进行识别判断。通常,水轮发电机组的振动信号为非平稳信号,并且会参杂着的噪声。针对水轮机振动信号,提出一种基于自适应迭代滤波分解和独立分量分析的水轮机振动信号特征提取方法,介绍其基本原理及求解步骤。先使用独立分量分析对原始信号进行分解,将背景中多余的噪声去除,接着对每个通道的信号进行自适应迭代滤波分解,计算每个模态分量的能量集中度并设定相关的边界值,将超出该值的模态分量去除,并将剩余的分量进行重构,获得除去噪声成分后的重组信号。通过对仿真信号以及实际信号的分析,该方法可以将振动信号中的噪声成分去除,并对相关物理特征进行有效的提取。最后得出结论:1)独立分量分析可将水轮机振动信号中的噪声去除,并突出特征;2)采用自适应迭代滤波分解并以能量集中度作为模态筛选指标,能够将含有少量噪声的模态提取出来,获取相关特征信号。