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EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

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EMD和能量算子解调的采煤机截割部振动故障诊断研究

针对采煤机截割部振动剧烈,振动故障特征不易提取的问题,应用基于经验模态分解(EMD)和能量算子解调的故障诊断方法,首先对采煤机截割部振动信号进行EMD分解,进而得到一定数量的本征模态函数(IMFs)分量;其次对IMFs进行能量算子解调,提取出故障特征频率.通过对采煤机井下现场试验研究,结果表明,该方法能够有效地对采煤机截割部进行故障诊断,对及时发现采煤机故障,避免事故的发生具有重要的作用.     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于有向因果图的数控车床关联故障分析

通过对采集的某系列数控车床现场故障信息进行统计分析,建立各子系统内部及其子系统之间的故障模式关联故障有向因果图,充分考虑故障模式的严重性、故障发生频率以及故障模式之间的关联系数,得到各子系统的故障关联指标。通过比较可以找出影响该数控车床可靠性的关键子系统,进一步明确该数控车床可靠性改进的主攻方向。     

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。     

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EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

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     

基于符号有向图的飞机故障风险评估方法

针对飞机复杂系统故障模式多样、风险因素难以量化的特点,提出了一种风险符号有向图(RSDG)以描述飞机系统内部深层因果关系及故障风险因素信息.探讨了基于RSDG模型获取故障引发的故障链的方法,建立故障树计算链中各故障发生概率的步骤,并阐述了以故障链作为评估对象,采用灰色聚类决策法实现飞机系统故障风险评估的过程.结果表明,所提出的方法考虑了故障传播的规律,解决了传统故障风险评估方法应用中风险辨识与评估缺乏系统性和一致性的问题.该方法能够较好地适应大型复杂系统故障的风险分析.     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

基于经验模式分解的语音端点识别方法

提出一种基于经验模式分解（EMD）的语言端点识别方法.该方法对带噪语音信号进行EMD分解得到一组固有模态函数（IMF）,采用短时过零率估计其平均瞬时频率.根据语言信号特定阶IMF平均瞬时频率的特征,将平均瞬时频率低且变化缓慢的语言帧作为周期性强的浊音段,而平均瞬时频率高的语言帧判别为清音段,组合处理后的结果最终得到语音段数据.数值仿真和实验结果表明,该方法在语音信号受噪声污染比较严重的情况下能够有效识别语音端点.     

经验模态分解构造观测矩阵的方法

为了大概率地保持信号信息的完整性,观测矩阵被设计得倾向于随机矩阵．但这种随机性也导致有用的信息和无用的信息被接近等概率地测量,降低了感知效率．为了提高观测效率,提出了利用参考信号进行经验模态分解构造观测矩阵的方法--本征模函数循环矩阵．基于Gersgorin圆盘定理证明了该矩阵满足约束等距性条件．以信号降噪效果为衡量标准,仿真了该矩阵的信号降噪过程,结果表明,为参考信号添加一定程度的噪声后形成的观测矩阵,对降噪有更佳的效果; 对于含噪信号与参考信号在时域有错位的情况,虽然在时域上的降噪效果与理想情况有明显的降低,但仍能够更好地凸显信号的频域特征,具有实用价值．     

基于最优特征的改进经验模态分解方法

针对经验模态分解(EMD)过程中存在的模态混叠等问题,提出了一种基于最优特征的自适应白噪声平均总体经验模态分解方法。该方法采用基于边界局部均值延拓的方法抑制端点效应问题,同时,在经验模态分解的每个阶段自适应地添加有限次白噪声,保证在平均次数相对少的情况下,通过计算唯一残余分量来获取信号的固有模态函数,从而避免了模态混叠问题的产生。通过分析仿真信号和实测信号,证明了该方法对模态混叠现象有一定的抑制作用,同时可有效避免端点效应问题的产生。     

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。