基于MEEMD-多尺度分形盒维数和ELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷(充填率、料球比)靠经验难以准确判断的问题,提出基于改进的集总平均经验模态分解算法(modified ensemble empirical mode decomposition, MEEMD)-多尺度分形盒维数盒和极限学习机(extreme learning machine,ELM)的负荷识别方法。该方法首先利用MEEMD算法对不同负荷状态下的磨音信号进行分解得到本征模态分量,然后,采用相关系数法选取敏感模态分量进行重构得到降噪后信号;通过分析重构信号的多尺度分形盒维数,结果表明,欠负荷、正常负荷和过负荷状态下的多尺度分形盒维数存在明显的差异,能够很好地区分磨机的不同负荷状态。将重构磨音信号的多尺度分形盒维数作为极限学习机(ELM)的输入,磨机负荷状态为输出,建立磨机负荷识别模型;通过磨矿实验验证了该方法的有效性,整体识别率高达94.8%,模型能够准确识别磨机负荷状态。     

基于改进EWT-多尺度熵和KELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷靠经验难以准确判断的问题,提出了一种基于改进的经验小波变换(empirical wavelet transform, EWT)-多尺度熵和核极限学习机(KELM)的球磨机负荷识别方法。首先,针对筒体振动信号的多样性和复杂性特点,对EWT频谱分割方法进行改进,通过构建信号仿真模型,比较EWT、EMD的分解效果,证明该方法的有效性。再将不同负荷状态下的筒体振动信号用改进的EWT算法进行分解得到内禀模态函数(intrinsic mode function, IMF),接着,对分解后的IMF分量进行相关性分析得到敏感分量进行重构;最后,将重构信号的多尺度熵作为表征磨机不同负荷状态的特征向量,并计算多尺度熵偏均值。结果表明：三种负荷信号的多尺度熵及多尺度熵偏均值都存在明显的差异,关系表现为:欠负荷>正常负荷>过负荷。将提取的多维特征向量进行归一化处理并作为KELM的输入,磨机负荷状态作为输出,利用核排列(kernel target alignment, KTA)算法优化核参数,建立磨机负荷状态识别最优模型;通过磨矿实验验证了方法的可行性,相比SVM整体识别率提高了3.4%,且对于EMD-多尺度熵、EWT-多尺度熵分别提高了12.3%、8.9%。     

基于VMD和MF-DFA的往复压缩机气阀故障特征提取方法

针对往复压缩机气阀故障振动信号在进行多重分形分析时易受时间序列非平稳趋势影响,无法准确揭示其多重分形特征的难题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和多重分形去趋势分解(Multifractal Detrended Fluctuation Analysis,MF-DFA)的往复压缩机气阀故障特征提取方法。首先,利用VMD方法对往复压缩机气阀信号进行分解,根据互相关系数法选取模态分量进行信号重构,可有效消除噪声干扰;然后采取MF-DFA方法对重构后信号进行分析,以反映结构特征和局部振动信号尺度行为的特征向量参数Δα、α(fmax)、fmax、Δf和B为模式识别向量,极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态进行分类识别。研究结果表明:该方法能够揭示往复压缩机气阀振动信号的多重分形特性,具有较强的辨识能力。     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

基于LMD盒维数与PNN的往复泵声发射故障诊断

针对往复泵泵阀故障诊断,提出使用声发射技术对往复泵泵阀进行故障信号采集。利用局部均值分解(LMD)对非线性声发射信号处理和分形盒维数对非线性信号定量描述的特点,首先对故障信号进行LMD处理,得到含有故障特征的PF分量,然后算出各PF分量的盒维数,通过比较分析盒维数进行故障诊断,最后将各PF分量的盒维数作为特征向量输入概率神经网络(PNN)进行模式识别。通过实验分析,证明该方法对往复泵泵阀故障诊断是有效可行的。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明：本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明:本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于遗传算法化工领域往复压缩机故障诊断分析

在对往复压缩机轴承故障诊断相关问题进行研究的时候,提出了变分模态分解(Variational Mode Decomposition,VMD)参数优化方法。VMD是一种高效的时频分析方法,具有很强的信号处理功能,可以通过一次性分解的方式对多分量信号进行处理,很好的满足各种实际生产和实践中的需求。研究使用遗传算法得出VMD算法的最佳影响参数组合,并对相关的带宽参数以及分量个数等进行研究,得到分解故障信号。之后,对分解后的BLIMF分量峭度值进行计算,并通过筛选,得出最佳BLIMF分量,实现对故障信号的重构。针对重构后得到的故障信号实施MDE分析,并通过极限学习机测验等方式,可以获得相应的故障类型中识别效果。在研究中,还结合实际案例进行了分析,证实了所提出的往复压缩机轴承故障诊断和识别方法是有效的。     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)、近似熵(approximate entropy,AE)和反馈极限学习机(feedback extreme learning machine,FELM)的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵(AE)计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机(FELM),对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸(PTA)溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

基于EEMD的HHT多尺度油气水多相流动力学特性研究

经验模态分解容易造成噪声与模态之间的混叠现象,严重影响非线性、非平稳信号HilbertHuang变换多尺度频谱特性的准确性和有效性。为此,以集成经验模态分解进行Hilbert-Huang变换研究水平管道内油气水多相流的多尺度动力学特征。首先对泡状流、塞状流和弹状流3种典型流型的电导波动信号进行集成经验模态分解,消除噪声与模态之间的混叠现象,然后分析各级本征模态函数分量(IMF)的能量和多尺度频谱特性。研究发现,基于集成经验模态分解的多尺度频谱分析可有效揭示3种流型的非线性动力学特性,同时也为流型演化和识别提供重要的参考依据。     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解（fast ensemble empirical mode decomposition,FEEMD）、近似熵（approximate entropy,AE）和反馈极限学习机（feedback extreme learning machine,FELM）的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵（AE）计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机（FELM）,对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸（PTA）溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

中低负荷下脉动热管壁温信号的分形特性分析

运用功率谱、小波分解、相空间重构、关联维数计算等非线性分析方法对脉动热管壁面温度波动信号分析。表明:功率谱呈现连续谱线,时间序列存在自相似性,展现温度波动信号的混沌行为;小波分解表现出温度波动的分形特性;重构吸引子展现出4种不同的空间分形结构,说明温度信号波动属于分形下的混沌行为。计算分形维数与传热性能的关系,发现系统存在3~6个分形维;随嵌入维数的增加,分形速度关系为R134a大于丙酮大于去离子水,基本表现为分形维数越大,传热性能越好。并发现关联维和热阻成负相关关系。     

基于EEMD近似熵的矿山微震信号特征提取研究

为解决矿山岩体破裂和爆破震动信号不易自动识别的问题,提出了一种基于EEMD(聚合经验模态分解)和近似熵的微震信号特征提取方法,以某金属矿山微震监测系统建立的爆破震动信号与岩体破裂信号数据为分析对象,首先利用该方法对两类微震监测信号进行EEMD分解,获得多个窄带本征模态分量(IMFs);再利用相关系数法确定与两类原始信号最相关的IMF分量得到主要分量,进而计算各主分量的近似熵;最后把主要分量的近似熵值组成表征微震信号的多尺度高维特征向量作为支持向量机(SVM)的判断输入进行训练预测。预测结果表明:EEMD近似熵特征提取方法结合SVM,对矿山爆破震动信号和岩体破裂信号具有较高的识别率,能准确、有效地进行智能分类,为信号识别研究提供了新的途径。     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于IALO-ELM模型的滚动轴承故障诊断方法

为了有效提取轴承振动信号中的运行状态信号,并根据信号特征进行故障诊断,提出滚动轴承故障诊断IALO-ELM新模型.采用柯西高斯变异对蚁狮优化算法进行改进,进而对极限学习机的参数进行优化,实现对滚动轴承故障的诊断.试验结果表明:IALO-ELM模型与SVM、ELM和ALO-ELM模型相比较,具有更好的稳定性,识别准确度达...     

基于Hurst指数的严重段塞流多尺度分形特性

基于多尺度方法和Hurst分析方法,分析了严重段塞流的多尺度结构及其非线性特征。以空气、水两相混合物作为实验介质,利用高速数据采集板获得了集输立管内气液两相严重段塞流的压差波动信号。使用db4小波在1～8尺度下对压差信号进行分解和重构,提取不同尺度的系统动力学特征,发现严重段塞流气液喷发和液体回落的瞬态过程主要体现在d5～d8尺度的细节信号上。通过对压差波动信号不同尺度下的分解信号进行Hurst指数分析,发现严重段塞流存在显著的双分形特征,同时受正持久性和反持久性两种动力学因素的制约,但概貌分量和细节分量表现出截然相反的分形结构,概貌分量具有正持久性,而细节分量具有反持久性。d1尺度下的细节分量描述了微尺度的气泡与气泡之间的相互作用;d2～d5尺度下的细节分量描述了微尺度的液体与气泡之间的相互作用;d6～d8尺度下的细节分量描述了宏尺度的气液两相与管壁之间的相互作用。压差波动信号的能量主要分布于宏尺度上。     

基于主元提取的鲁棒极限学习机研究及其化工建模应用

化工生产过程日益复杂，传统极限学习机(extreme learning machine, ELM)无法有效地对化工过程数据建模。针对该问题，提出一种基于主元提取(principal components extraction, PCE)的鲁棒极限学习机(PCE-RELM)。通过对ELM隐含层进行主元分析，提取数据的主元特征，去除变量间的线性相关性，简化研究问题。可以减小隐含层节点数对模型精度的影响，实现对ELM隐含层节点数的快速随机选取，同时使ELM具有鲁棒性。为验证提出方法的有效性，将PCE-RELM模型应用于精对苯二甲酸(purified terephthalic acid,PTA)生产过程建模。仿真结果显示，相比传统的ELM，PCE-RELM模型具有设计简单、鲁棒性好、精度高等优势，可以对化工过程控制、分析起到指导作用。     

基于主元提取的鲁棒极限学习机研究及其化工建模应用

化工生产过程日益复杂,传统极限学习机(extreme learning machine, ELM)无法有效地对化工过程数据建模。针对该问题,提出一种基于主元提取(principal components extraction, PCE)的鲁棒极限学习机(PCE-RELM)。通过对ELM隐含层进行主元分析,提取数据的主元特征,去除变量间的线性相关性,简化研究问题。可以减小隐含层节点数对模型精度的影响,实现对ELM隐含层节点数的快速随机选取,同时使ELM具有鲁棒性。为验证提出方法的有效性,将PCE-RELM模型应用于精对苯二甲酸(purified terephthalic acid,PTA)生产过程建模。仿真结果显示,相比传统的ELM,PCE-RELM模型具有设计简单、鲁棒性好、精度高等优势,可以对化工过程控制、分析起到指导作用。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法:基于重构的半监督极限学习机(RSELM)。相比于传统的半监督极限学习机(ELM)方法,RSELM采用自动编码ELM(ELM-AE)获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

经验模态分解和小波分析在小通道气液两相流流型辨识中的应用

基于两电极电容传感器获得的小通道气液两相流电容波动信号,分别应用经验模态分解(Empirical Mode Decomposition,END)和小波分解将电容信号分解成不同特征尺度上分量的组合.对每层分量提取能量特征,将提取的流型特征参数作为最小二乘支持向量机(Least Squares Support Vector...