基于EEMD能量熵与ANN的矿用异步电机故障诊断

针对矿用异步电机故障时定子电流信号非线性非平稳性的特点,提出了一种基于集合经验模态分解（EEMD）能量熵与人工神经网络（ANN）结合的转子故障诊断方法。首先利用EEMD将电机定子电流信号分解为一系列本征模态函数（IMF）;其次通过互相关准则,选取信息最丰富的IMF分量并计算其能量熵来构造故障特征向量;最后将特征向量输入人工神经网络（ANN）进行训练和状态识别。实验通过Ansys Maxwell软件对故障电机建模获得仿真电流数据,验证了该方法是一种可行的矿用电机故障诊断方法,相较于传统频谱分析更为可靠,可实现对异步电机处于正常、转子断条、气隙偏心等状态的准确识别,综合识别率达97%。     

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。     

基于感应电机启动电磁转矩Hilbert-Huang变换的转子断条故障诊断

该文提出了一种感应电机转子故障诊断新方法。当感应电机转子出现断条故障时，转子绕组的不对称将会使电磁转矩谱中引入2sfs(s为转差率，fs为电网频率)谐波分量。利用砌bert-Huang变换中经验模态分解(EMD)方法对启动电磁转矩信号进行了分解，得到若干本征模态函数(IMF)。通过计算包含故障信息的IMF分量的瞬时频率，可以检测出转子断条故障。同时，根据包含故障信息的IMF的幅值可以进一步判断出转子断条根数。实验结果证明该方法是可行的。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于参数优化变分模态分解的交流变频电机转子断条故障识别方法

该文提出一种基于变分模态分解(VMD)和Park变换的交流变频电机早期转子断条故障识别方法.重点对低速状态下电机早期断条故障特征频率识别展开研究,基于电流信号特点结合萤火虫优化算法(FA)设定变分模态分解参数,进一步强化其自适应分解能力,并在此基础上获取三相电流的基频分量信息,通过Park变换检测早期故障特征.仿真与实验结果表明,该方法检测电机早期转子断条故障特征优于经验模态分解(EMD)方法,并可实现故障特征频率的早期定位,这对电机的故障辨识和预警具有重要支撑意义.     

光伏系统直流电弧故障检测方法及其抗干扰研究

针对光伏系统直流侧故障电弧检测问题,提出了一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和模糊C均值聚类(fuzzy C means clustering,FCM)的组合故障检测方法。首先采用EEMD分解法将光伏系统直流母线电流信号分解为若干个本征模态分量(intrinsic mode function,IMF),再利用模糊熵算法将本征模态分量熵值化,并从中提取能够表征故障电弧的特征向量,然后通过FCM算法进行故障电弧识别。理论分析和实验结果验证了所提方法的可行性和正确性。最后考虑到光伏系统的复杂性,研究了不同工况以及外界因素对故障电弧检测的影响,并通过仿真和实验数据证明所提检测方法具有良好的抗干扰能力。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

EEMD方法在转子碰摩故障诊断中的研究

转子系统发生局部碰摩故障时,故障特征呈现出复杂的高倍频或分数倍频成分。为了实现多频率碰摩故障特征的有效提取,将集合经验模态分解方法(ensemble empirical mode decomposition,EEMD)应用到转子局部碰摩故障诊断中。首先利用仿真碰摩信号,验证了EEMD时频分析方法在碰摩故障诊断的有效性,其次通过对转子系统水平方向碰摩、竖直方向碰摩、水平-竖直同时碰摩和正常4种不同振动状态的EEMD分解,计算基本模态分量(IMF)的振动强度,得出不同状态的振动强度趋势分布图。实验结果表明,EEMD方法能够从强噪声背景信号中提取出微弱碰摩特征,实现转子系统的碰摩故障诊断。     

基于EMD和改进多重信号分类的感应电机故障检测方法

针对感应电机中多类型故障的检测问题,提出一种基于经验模态分解(EMD)和改进多重信号分类(MUSIC)算法的检测方法。通过采集器采集电机定子的稳态电流信号。利用EMD对稳态电流信号进行时域分解,获得包含丰富故障信息的两个本征模态函数(IMF)。利用MUSIC算法对IMF进行频域分析,获得各类故障的特征频率,同时引入了Prony算法来确定IMF频谱中的幅值。基于故障频域特征,对转子断条、轴承缺陷和转子质量不平衡这3种故障进行检测。实验结果表明,该方法不仅能够应用于单一故障检测,还能够在多故障并发时准确检测出所有故障。     

基于EEMD和CICA的风电机组轴承故障特征提取

针对风电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

基于EEMD云模型与SVM的汽轮机转子故障诊断方法

提出了一种基于集合经验模态分解(EEMD)、云模型与支持向量机(SVM)相结合的汽轮机转子多故障诊断方法。该方法首先采用EEMD将振动信号分解成若干个IMF分量,利用相关系数法对IMF分量进行筛选,然后对筛选后的IMF分量进行逆向云发生器计算,得到云模型的数字特征并构建为特征向量,将其应用到有向无环图SVM中进行转子多故障状态识别,并与传统的EEMD能量法进行对比。结果表明,该方法能够准确地完成转子多故障诊断,具有更高的识别率。     

基于自适应EEMD和分层分形维数的风电机组行星齿轮箱故障检测

针对传统平均经验模态分解(EEMD)中添加白噪声参数需依据人工经验设定的缺陷,在研究引起模态混叠原因的基础上提出一种自适应EEMD方法。该方法可以根据信号本身特性,自适应设定白噪声标准差以达到最优分解效果。首先使用奇异值差分谱法对信号进行分解、重构,然后利用提取得到的高频冲击分量和噪声分量的复合分量对所需添加白噪声标准差大小进行自适应整定,最后通过自适应EEMD将信号分解为一系列本征模态函数(IMF)。分形维数对信号特征评价性能良好,所以用分形维数来识别不同类型振动信号是十分有效的。本文提出分层分形维数方法,可提高信号识别、分类效率和准确度。使用该复合方法处理仿真信号、风电机组传动系统实验平台信号均取得良好效果,证明了本文所提方法的有效性。     

一种基于EEMD和高阶统计量的局部放电白噪声抑制方法

矿用干式变压器绝缘的劣化总是伴随着一定的局部放电,测量局部放电信号的真实性直接影响到变压器绝缘性能评估的准确性。文中在集合经验模态分解(empirical mode decomposition,EEMD)的基础上,结合高阶统计量原理,提出了一种基于EEMD和高阶统计量的局部放电白噪声抑制方法。首先利用EEMD方法分解得到各阶经验模态分量(IMF);然后通过IMF各分量峭度的计算,结合Bootstrap方法检测并滤除高斯分布的IMF分量;对剩余IMF分量进行自适应阈值处理,去除混叠的白噪声成份;最后将处理结果重构回原信号。分别以仿真信号和实际PD信号为例,证明了该方法的有效性。     

自适应陷波理论及其在轴承故障诊断中的应用

滚动轴承故障冲击特征易被工频载波信号淹没,而传统的信号降噪方法对工频干扰不具有针对性,所以将工频陷波理论引入到轴承故障诊断中。由于陷波的窄带滤波特性,其对中心频率及带宽参数变化较为敏感,通过粒子群多参数寻优,以时域峭度最大原则对陷波器中心频率及带宽进行自适应选取,以时域波形匹配方差作为评价指标验证陷波对故障冲击特性的还原能力。试验分析表明自适应陷波可以有效地从工频调制信号中解调出故障冲击特征,对陷波后信号进行包络谱分析,其故障特征谱线得到增强,辅助以集合经验模态分解(EEMD)、变分模态分解(VMD)去噪方法,可以得到更理想的效果。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

应用改进Hilbert-Huang变换下的Volterra模型诊断OLTC机械故障

为提高有载分接开关(OLTC)机械故障诊断的自适应性、特征分辨率以及识别效率,提出一种包含聚合经验模态分解(EEMD)分解和Hilbert边际谱分析的改进HHT方法,与混沌时间序列的Volterra模型相结合来提取OLTC的机械故障特征。具体应用时,首先对OLTC切换过程中的多通道振动信号进行EEMD分解得到固有模态函数(IMF)分量,然后应用Hilbert谱分析法求取各IMF的Hilbert边际谱。进一步,应用Volterra模型根据Hilbert边际谱构建Volterra特征矩阵,以矩阵奇异值为故障特征参量。最后搭建了OLTC典型机械故障真型实验平台,采用文中方法获取并分析了几种典型机械故障的振动信号,并借助多分类支持向量机对数据集进行分类识别,验证了所提出故障诊断方法的有效性。与其他方法对比得知,新方法取得了较高的故障识别准确率。     

基于EEMD能量熵的配电网单相接地故障选线方法

提出了基于EEMD能量熵的配电网单相接地故障选线方法。首先通过集合经验模态分解（Ensemble empirical mode decomposition, EEMD）方法提取线路零序电流的故障特征信息,得到一系列零序电流IMF分量和余项,然后计算线路零序电流IMF分量的能量,并构造零序电流IMF分量的能量熵,最后通过比较能量熵值来进行故障选线。理论分析及仿真结果表明,该方法应用于故障选线具有较高的准确率和可靠性。     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。     

EEMD样本熵的扬声器异常音分类方法

为了更准确的对扬声器异常音进行分类,提出一种基于集合经验模态分解(EEMD)与样本熵的扬声器异常音特征提取方法并利用极限梯度提升(XGBoost)算法进行分类。在基频陷波预处理后,对信号进行EEMD,结合相关性分析选取固有模态函数(IMF)分量并计算其样本熵构成特征向量。实验结果表明,针对扬声器异常音分类问题,在小样本的情况下,扬声器声响应信号经基频陷波预处理后,XGBoost算法使用EEMD与样本熵的特征提取方法取得了95. 33%的分类准确率,高于小波包变换和样本熵特征提取方法所取得的准确率,验证了特征提取及分类方法的有效性。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。