基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。     

一种可用于故障诊断的信号处理方法——完备总体平均局部特征尺度分解

作为对经验模态分解（EMD）的改进,局部特征尺度分解（LCD）也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解（EEMD）和完备的EEMD（CEEMD）等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,论文提出了一种完备的总体平均局部特征尺度分解（CELCD）,并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

融合经验模态分解与模糊熵的薄板结构损伤识别EI北大核心CSCD

针对薄板结构中损伤兰姆波信号提取及表征困难两大问题,提出了一种融合经验模态分解(empirical mode decomposition, EMD)与模糊熵(fuzzy entropy, FEn)的薄板结构损伤识别新方法。该方法首先基于EMD从复杂的兰姆波信号中提取并分离与结构损伤相关的信号;再利用提取出的损伤信号的归一化模糊熵作为损伤指数对结构损伤大小进行定量表征,从而实现薄板结构的损伤识别。设计的三组碳纤维增强复合材料板(carbon fiber reinforced polymer, CFRP)划痕损伤识别试验验证了该方法的可行性,试验结果表明:归一化后的模糊熵与CFRP板划痕损伤大小呈现较好的线性增加的关系,利用该线性关系可以对CFRP板划痕大小进行识别;与基于奇异谱-模糊熵的结构损伤识别方法相比,该研究所提方法识别效果更佳。     

基于集合经验模态分解的脑电信号高阶张量特征提取

为了实现脑机接口系统需要有效的特征提取算法。针对二维主成分分析(2DPCA)的特征提取方法忽略脑电信号(EEG)频域特征的缺点和基于小波分解构建EEG高阶张量时小波参数难以确定的局限性,提出了基于集合经验模态分解(EEMD)构建高阶张量结合多线性主成分分析(MPCA)降维的特征提取方法。设计了3种不同特征提取方法的对照实验,并结合Fisher线性判别分析分类方法取得分类准确率。结果表明:新提出的方法相比基于小波分解构建高阶张量结合MPCA进行降维和2DPCA的特征提取方法,平均识别准确率分别提高4.75%和2.6%,且识别准确率的方差分别减小72.69%和23.86%。该方法在提高单次运动想象脑电信号识别准确率的同时还具有更好的适用性,为实现运动想象脑电信号解码奠定了基础。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。     

基于经验模态分解和奇异值分解的振动声调制信号分析方法研究

针对振动声调制特征信号被强噪声淹没无法有效提取的问题,提出一种基于经验模态分解与奇异值分解相结合的振动声调制信号分析方法。先对振动声调制信号进行经验模态分解,选取imf分量,然后将imf分量进行奇异值分解降噪,得到非线性特征信号,最后对特征信号进行Kolmogorov熵计算。将该算法应用于实际碳纤维复合材料的检测,利用Kolmogorov熵进行损伤评估。该方法成功提取了特征信号,实现了损伤诊断和定量评估,而且具有较强的自适应能力。     

基于经验模态分解样本熵的肌电信号识别

针对表面肌电信号非线性、噪声强等特点,设计一种快速有效的表面肌电信号手部多运动模式识别方法,用于肌电假手的实时控制。提出了一种基于经验模态分解样本熵和聚类分析的表面肌电信号多运动模式识别方法。该方法对动作持续阶段的信号首先进行经验模态分解,将其分解为多个平稳的固有模态函数（ IMF）,再依据频率有效度选取若干个包含肌电信号有效信息的IMF分量求和后,计算其样本熵。以尺侧腕伸肌和尺侧腕屈肌两路肌电信号对应的EMD样本熵作为特征向量,设计了主轴核聚类算法的聚类分类器进行模式识别。成功识别了展拳、握拳、腕上翻和腕下翻4种动作,平均识别率达到93%。该方法取得了较高的识别率,抗干扰能力强,计算量少,可用于肌电假手的控制。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。     

集合经验模态分解的稳健滤波方法研究

为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法：首先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态混叠问题,将被测信号中不同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故障诊断。     

基于微分经验模式分解和隐马尔科夫模型的滚动轴承故障诊断方法

提出基于微分经验模式分解（DEMD）和隐马尔科夫模型(HMM）的旋转机械故障诊断方法,并应用到滚动轴承故障诊断中。首先,对故障信号进行基于微分的经验模式分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态似然概率值;以最大似然概率所对应的故障状态作为诊断结果,最终实现滚动轴承故障诊断。滚动轴承点蚀故障的诊断实验证明了该方法的有效性。与基于EMD-HMM的故障诊断方法相比,基于DEMD-HMM的故障诊断方法更适用于滚动轴承故障诊断。     

一种改进的自适应多元变分模态分解轴承故障信号特征提取方法

针对实际工程中轴承信号的非线性和非平稳性,提出一种自适应多元变分模态分解算法。多元变分模态的分解效果主要与本征模态数k和惩罚参数α相关,为了解决人为经验参数设置对多元信号分解结果的影响,一种自适应的信号分解算法被提出。具体内容如下:首先将混合灰狼算法与多元变分模态分解算法相结合,提出最小模态重叠分量指标,将其作为适应度函数来寻求(k, α)的最优解,按照最优解对多元信号进行分解,提取故障特征。采用仿真信号和实际数据来验证所提方法的有效性和准确性,通过与多元经验模态分解、级联变分模态分解的对比分析,验证该算法在滚动轴承故障特征提取方面的高效性和实用性。