基于经验模态分解和支持向量机的传感器故障诊断方法

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。     

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数(IMF)通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

基于EMD和SVM的数控机床主轴故障诊断

针对数控机床的主轴故障,将经验模态分解（EMD）方法和支持向量机（SVM）相结合,用于故障诊断。采用EMD将信号分解成具有不同特征尺度的本征式分量IMF,分析各IMF,通过求取均方根值提取各特征向量,然后将各特征向量输入支持向量机,建立故障分类器进行状态识别。实验结果表明,预测结果完全正确,该方法有效。     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function, IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis, KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine, SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于EMD和有向因子图的航天器故障诊断

为了消除噪声对提取传感器信号中故障特征的影响,同时在系统模型不精确条件下,描述故障在系统部件间的传播方式.本文提出了一种基于经验模态分解(EMD)和有向因子图(DFG)的故障诊断方法.对传感器信号进行经验模态分解得到的内部模态函数(IMF),提出采用能量做为其零点区间包含噪声成分的评价指标,基于信号内部模态函数的区块能量消除其噪声成分.对无法精确建模的物理系统,提出使用有向因子图描述系统组成部件间的因果关系,应用概率推理实现故障诊断.通过对航天器电源系统供电模块的实例分析,验证了方法的有效性.     

基于Hilbert包络谱和SVM的齿轮故障诊断

针对齿轮振动信号非平稳性和故障特征难以提取的问题,提出一种基于希尔伯特(Hilbert)包络谱和支持向量机(SVM)相结合的故障诊断方法。首先,采用基于镜像延拓的改进经验模态分解(EMD)方法,将齿轮振动信号分解成一系列含有信号特征的固有模态函数(IMF);其次,根据正交性原理,选取包含信号主要信息的模态分量进行希尔伯特变换并求出包络谱;最后,将包络谱所求出的特征幅值比作为支持向量机分类器的输入来识别齿轮的工作状态。试验结果表明,该方法能有效地识别和诊断出齿轮的工作状态,可应用于该类问题的故障诊断研究。     

基于EEMD和BP神经网络的风机齿轮箱故障诊断方法

根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和BP神经网络的风机齿轮箱故障诊断方法。首先,对原始信号进行小波去噪。然后,对故障信号进行EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要故障信息的IMF分量做进一步分析。最后,从各IMF分量中提取故障信号能量特征参数,将归一化后的能量特征参数作为BP神经网络输入参数进行故障诊断。实测结果表明:该方法故障诊断准确率达到了99%左右。可以准确、有效的对风机齿轮箱进行故障诊断。     

基于改进EMD频率族分离法的齿轮磨损故障诊断

针对齿轮磨损故障信号非平稳性的特点,提出一种基于改进经验模态分解(EMD)频率族分离的齿轮磨损故障诊断方法。该方法采用改进经验模态分解方法将齿轮磨损振动信号分解成若干阶表征齿轮自身信息的固有模态函数(IMF),各阶IMF对应齿轮箱振动信号的各个频率族,通过对各频率族分量的分析来提取齿轮磨损振动信号的故障特征。仿真分析表明该方法能有效应用于齿轮故障分析,试验研究证明了基于改进EMD的频率族分离法能够有效地提取齿轮磨损故障特征信息。     

基于EEMD结合二次小波包降噪的齿轮箱故障诊断

针对齿轮箱振动信号信噪比低、故障识别精确度不高等问题,提出了聚合经验模态分解(EEMD)结合小波包二次降噪的故障诊断方法.首先,对采集到的原始信号进行小波包降噪并重构;再对第一次降噪后的信号进行EEMD分解,得到一系列的固有模态函数(IMF);并计算分解得到的每个IMF与第一次降噪后信号的相关系数,从而确定二次降噪的IMF有效集;然后,通过选择不同消失矩的db系小波,对筛选出的IMF进行二次降噪;最后,将二次降噪之后的IMF进行重构,提取特征向量输入到BP神经网络,识别齿轮箱的故障类型和位置.测试结果表明,此二次降噪方法用于齿轮箱故障诊断,识别准确率更高,在神经网络训练和测试中耗时更短.     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于支持向量机的伺服机构舵反馈电压异常诊断方法

提出了一种基于支持向量机（support vector machine,SVM）的伺服机构舵反馈电压异常诊断方法。通过对测量数据进行经验模态分解（empirical mode decomposition,EMD）,获得各固有模态分量（intrinsic mode functions,IMF）,并将其作为特征提取出来,然后构造多类支持向量分类机进行训练与故障模式识别。仿真分析证明,该方法能有效地应用于伺服机构舵反馈电压异常诊断。     

基于IMF信息熵与SVM的转子振动故障智能诊断方法

提出了基于内禀模态信息熵与支持向量机的转子振动故障诊断方法。采用EMD方法将转子振动信号分解为若干个内禀模态分量,由各个内禀模态分量的信息熵构成转子状态的特征参数。采用支持向量机分类器对故障类型进行分类。通过转子试验台的仿真实例证明了该方法的有效性。另外,在特征提取环节对比采用了传统的Fourier变换法,结果体现了EMD方法在非线性和非稳态信号处理上的优越性。     

旋转机械振动信号的固有模式函数降噪方法

针对旋转机械非平稳振动信号中局部低能量噪声的消除问题,提出一种基于固有模式函数(IMF)的振动信号降噪方法.该方法在信号经验模式分解(EMD)的基础上,通过对一阶IMF进行L次随机排序操作,构造观测信号的L个样本序列.根据白噪声各阶IMF的能量密度,计算L个样本序列各自分解所得IMF的阈值.通过样本幅值与阈值的比较,将IMF中过零点区间内极值小于阈值的所有样本点去除,并利用这些阈值去噪后的IMF重构信号.仿真和实验结果表明,本方法对各阶IMF中局部低能量噪声的消除是有效的,且降噪后信号的时频特征显著.     

经验模式分解及关联维数在心音信号分类识别中的应用

针对心音信号非线性、非平稳的特性,提出一种基于经验模式分解(EMD)和关联维数的心音特征提取方法.首先通过EMD方法将心音信号分解成若干个固有模态函数(IMF),并利用互相关系数准则对IMF进行筛选,结合G-P算法对主IMF(IMF1~IMF4)分量分别求其关联维数,以此作为神经网络的输入向量,实现了对正常心音信号和病理心音信号的分类识别.对于重构相空间中的两个重要参数时间延迟τ和关联维数m,分别采用互信息函数法和用Cao算法确定.对临床采集的心音数据按该方法进行测试,结果表明,该方法能有效地识别心音.     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人.5种运动的多普勒信号分解为一系列本征模式函数(IMF).采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别...     

An HHT-based method to eliminate short-time strong disturbance from measured signals of bridge

According to the characteristic that Hilbert-Huang transform (HHT) can detect abnormity in signals, an HHT-based method to eliminate short-time strong disturbance was proposed. The signal with short-time strong disturbance was decomposed into a series of intrinsic mode functions (IMFs) and a residue by the empirical mode decomposition (EMD). The instantaneous amplitudes and frequencies of each IMF were calculated. And at abnormal section, instantaneous amplitudes and frequencies were fitted according to the data at normal section, replacing the fitted data for the original ones. A new set of IMFs was reconstructed by using the processed instantaneous amplitudes and frequencies. For the residue, abnormal fluctuations could be directly eliminated. And a new signal with the short-time strong disturbance eliminated was reconstructed by superposing all the new IMFs and the residue. The numerical simulation shows that there is a good correlation between the reconstructed signal and the undisturbed signal. The correlation coefficient is equal to 0.999 1. The processing results of the measured strain signal of a bridge with short-time strong disturbance verify the practicability of the method.