联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

自适应局部迭代滤波在齿轮故障识别中的应用

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题,提出将自适应局部迭代滤波应用到齿轮故障识别中,与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数,通过计算各本质模态函数的样本熵,发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界,前几个本质模态函数的样本熵能表征不同故障类型的特征;计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值,将其作为对应工况标准故障模式的参考值;计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度,与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明,通过自适应迭代滤波能有效抑制模态混叠现象,发现明显的齿轮转频信号,而采用集合经验模式分解(EEMD)方法进行信号分解后,模态混叠现象比较明显,且在EEMD的分解结果中基本看不出齿轮的转频分量;4种工况的样本熵曲线形状存在明显差异,说明样本熵能有效表征齿轮故障特征的变化;灰色关联度方法能有效地将4种不同的故障类型进行分类识别,分类识别性能优于BP神经网络,对小样本数据具有较好的分类识别能力。     

基于局部均值分解与样本熵的脑电信号特征提取与分类

针对运动想象脑电信号的识别问题,提出一种改进的脑电信号特征提取与分类方法。利用局部均值分解算法将原始信号分解为一系列乘积函数(PF)分量,根据μ节律和β节律范围内的脑电信号剔除无意义的PF分量。通过特征时间选择原则,选取4 s~6 s运动想象脑电信号作为分类数据,分别计算C_3,C_4导联信号二阶和三阶PF分量样本熵的和,并将其均值MSampEn(C_3,C_4)作为输入元素构造脑电特征向量,利用支持向量机进行分类预测以识别左右手想象运动。实验结果表明,与经验模态分解以及总体经验模态分解方法相比,该特征提取方法具有更高的分类准确率。     

基于EEMD的车辆微动信号提取及分类

针对轮式和履带式车辆微动信号的差异对目标车辆进行了识别分类,利用集合经验模式分解(EEMD)将原始信号分解为多个本征模函数(IMF),通过相关性分析,验证了EEMD能够有效克服EMD所带来的模态混叠问题.在此基础上,提取了4种特征,采用最近邻方法进行分类.实验结果表明:经EEMD所提取的特征是有效的,对目标速度,以及方位角的变化具有相当的稳健性.     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

基于EEMD样本熵和SVDD的在役锚固螺杆故障诊断研究

为了实现对重庆市轻轨轨道梁的在役锚固螺杆的健康检测并且能够及时发现故障螺杆,本文提出了一种基于集合经验模态分解(EEMD)的样本熵与支持向量数据描述(SVDD)相结合的诊断方法。首先,利用EEMD方法将得到的正常锚固螺杆振动信号分解为若干个平稳的本征模态函数(IMF)分量,然后计算得到每个分量的样本熵,最后把得到的样本熵作为特征集输入到SVDD分类器进行训练和分类。大量实验结果表明,该方法不仅解决了故障样本缺乏的难题而且对锚固螺杆故障识别的错分率可以控制在5%以下,因此可以作为锚固螺杆是否处于正常工作状态的重要检测方法。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于变分模态分解和高阶统计量的梯级故障诊断研究

自动扶梯是地铁车站内必不可少的大型公共交通设备,一旦发生故障,小则影响运营,大则引发安全事故;梯级作为自动扶梯的重要结构部位,其固定螺栓松动必然会导致自动扶梯运行异常;针对梯级振动信号故障特征难以提取的问题,提出了变分模态分解(VMD)和高阶统计量(HOS)联合来对自动扶梯故障特征提取;该方法首先对原始振动信号进行VMD分解,得到K个固有模态分量(IMF);然后对主IMF分量进行奇异值分解(SVD)降噪,对去噪后的主IMF分量进行重构得到新的信号;最后通过高阶统计量对新的信号故障特征提取,并利用随机森林分类算法对三类不同的振动信号样本进行分类识别,确定梯级振动故障类型;实验结果表明,该方法可以有效地提取故障特征,实现故障诊断与分类。     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。