一种基于经验模式分解的气液两相流流型识别方法

提出了一种基于经验模式分解的气液两相流流型识别方法.该方法首先对压差波动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和,再选取若干个包含主要流型信息的IMF分量,并从中提取时域特征指标-峭度系数作为LVQ神经网络的输入参数,从而实现流型的智能识别.对水平管内空气-水两相流流型的识别结果表明:以EMD为预处理器提取峭度系数的LVQ网络识别方法具有更高的识别率,可以准确、有效地识别流型.     

油气润滑系统流型识别方法研究

提出了一种基于油气润滑系统油气两相流压差波动信号来识别流型的方法。首先借助Fluent提取了油气润滑系统水平管道中常见的四种流型的压差波动信号作为训练和识别的样本;然后采用EMD(经验模态分解)方法提取油气流流型压差波动信号的特征;最后采用PSO-PNN算法对油气两相流流型进行了识别。结果表明:油气两相流流型与压差波动信号之间存在对应关系,通过对压差波动信号的分析可以获取流型信息;油气两相流的压差波动信号具有非平稳特性,采用EMD方法可以较好地提取流型信息;优化后PNN模型可较好地识别油气润滑水平管道内油气两相流流型。     

基于希尔伯特-黄变换和隐马尔可夫模型的气液两相流流型识别方法

为了研究垂直上升管中的气液两相流的流型,利用自制的多电导探针的测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征以及神经网络学习收敛慢等问题,提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和隐马尔可夫模型(hidden markov model,HMM)的两相流流型识别方法.该方法首先将信号经验模态分解(empirical mode decomposition,EMD)后的固有模态函数(IMFs)进行希尔伯特变换得到其幅值能量,并将其作为特征向量,输入到已经训练完毕的各状态HMM中,实现了对气液两相流的流型识别.实验结果表明:该方法能很好的识别垂直管内的4种流型,而且优于BP神经网络,从而为流型识别开辟了一条新的途径.     

基于EEMD-Hilbert谱的气液两相流钝体绕流流型识别

为了有效识别气液两相流的流型,以水和空气为实验介质,以涡街流量计为元件诱发钝体绕流,通过管壁差压法获取气液两相流钝体绕流的尾迹波动信号,采用集总经验模态分解对信号进行分解,通过Hilbert变换得到Hilbert边际谱,利用最大互相关系数法对固有模态函数进行筛选,选取特征固有模态函数能量比分别与体积含气率、两相雷诺数构建流型图。结果表明,构建的两类新流型图对单相水、泡状流、塞状流、弹状流等典型流型的识别率分别可达91.67%和88.89%,能较好地满足工程实际应用的需求。     

CEEMDAN辅助快速谱峭度图算法的轴承故障诊断

针对滚动轴承的振动信号受到强噪声污染故障特征提取困难的问题,提出一种结合完整集成经验模态分解(CEEMDAN)辅助快速谱峭度图算法(Fast Kurtogram)的轴承故障诊断方法,首先将信号通过CEEMDAN分解为多个模态分量(IMF)及余量,计算出各个IMF分量的峭度值,并利用峭度值对分量信号进行重构;然后利用快速谱峭度图算法对重构信号进行处理,可以得到良好的故障带宽与中心频率。实测数据表明,该方法能够有效检测出轴承内圈故障。     

基于CEEMDAN模糊熵CNN轴承故障诊断研究

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息，提高故障诊断识别与分类精度，基于模糊熵(Fuzzy Entropy, FE)理论，提出了一种自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network, CNN)结合的故障诊断方法，充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势。通过循环抽样求取原始信号模糊熵，利用CEEMDAN方法分解，再由皮尔森相关系数筛选最佳分量组，最终将其输入CNN进行故障诊断，并采用t-SNE流行学习算法进行聚类可视化。其结果证实了不同工况下，相比经验模态分解模糊熵、集合经验模态分解模糊熵方法，所提方法具有更强的鲁棒性与泛化性，且t-SNE可视化使结果更直观。     

基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法

针对滚动轴承振动信号的特点,提出一种基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法。这一方法采用集合经验模态分解对滚动轴承振动信号进行分解,可以抑制传统经验模态分解可能产生的模态混淆现象。对于所得到的所有固有模态函数,采用相关因数法自动获取与原信号相关程度大的固有模态函数分量,并进行希尔伯特变换,计算瞬时频率和幅值,进而得到振动信号的时间、频率和幅值三维希尔伯特谱。通过对滚动轴承仿真信号与实际振动信号进行试验研究,验证了利用基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法进行故障诊断的有效性。     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

汽车液压制动系统气液两相流流型的识别

建立了汽车液压制动系统中气液两相流流型检测装置,根据压差波动信号,利用Hilbert-Huang变换(HHT)对制动液两相流流型进行识别,并利用高速摄像机采集不同工况下制动液的气液两相流流型图像。结果表明,制动时车轮转速越高,压差信号幅值越大,幅值主要集中在0～50Hz区域;识别制动时的制动液流型为一种泡状流。高速摄影的结果验证了液压制动管路中制动液为泡状流;制动转速越高,气泡越小。结论揭示了制动时汽车制动液的气液两相流流型,说明利用测量制动液的压差波动信号进行HHT就可以识别其流型。     

气液两相流流型压差波动的PDF特征

气液两相流的流型对其流动和传热特性有很大影响,所以如何识别流型一直是两相流研究中的重要课题.本文运用数字信号处理技术,对水平管空气-水两相流动不同流型的压差波动信号进行了分析.通过提取压差波动信号的概率密度函数(PDF)分布特征,找到了各种流型的特征,可以作为流型识别的一种方法.     

基于经验模态分解和BP神经网络的油气两相流流型辨识

基于经验模态分解（empidcal mode decomposition，EMD）BP神经网络，提出了油气两相流流型辨识的新方法。应用EMD将差压信号分解成不同频率尺度上的单组分之和，并提取组分的归一化能量作为流型辨识特征量。BP神经网络以这些能量特征量为输入对油气两相流不同流型（包括泡状流、塞状流、层状流、弹状流和环状流）进行分类。实验结果表明，本文提出的流型辨识方法是有效的，其中泡状流、塞状流、层状流、弹状流和环状流的辨识精度分别为100％、89．4％,93．3％、96.3％和96.9％。     

An adaptive CEEMD-ANN algorithm and its application in pneumatic conveying flow pattern identification

The accurate measurement of dust concentration using electrostatic sensor is serious affected by two-phase flow patterns in practice. In this paper, the electrostatic sensor signals of flow in a pneumatic conveying pipeline were collected, and the electrostatic fluctuation signals of three typical flow patterns of gas–solid two-phase flow in the horizontal pipe were obtained. By combining complementary ensemble empirical mode decomposition (CEEMD) and a back propagation (BP) neural network, an algorithm for flow pattern identification is proposed. This algorithm can adaptively determine the number of layers of the intrinsic mode function (IMF) decomposition and the number of input vectors for the neural network, ensuring the minimum size vector is used. The selected IMF energy feature as the input of the BP neural network can effectively ensure that an accurate flow pattern discrimination rate is obtained. The experimental results show that the algorithm proposed in the paper can guarantee the recognition rate of the flow pattern to reach more than 99%, yet through adaptive adjustment ensure that the size of trained BP neural network input is as small as possible, and the guaranteed algorithm calculation is kept at a minimum.     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

An improved decomposition algorithm of surface topography of machining

Abstract

In order to accurately decompose the surface morphology of machined surface and trace the potential errors of the machine, a comprehensive improved algorithm is proposed, which combines wavelet packet decomposition (WPD) and improved complete ensemble empirical modal decomposition of adaptive noise (Improve CEEMDAN). Firstly, the cost function is used to find the optimal wavelet packet base and the optimal decomposition tree is obtained. Secondly, under semi-hard threshold denoising, the wavelet coefficients obtained by the optimal decomposition tree can generate the denoised signal. Finally, the white noise is preprocessed to obtain the upper limit frequency and the band white noise, and the improvement of CEEMDAN is completed. The improved CEEMDAN is used to decompose the denoised signal to obtain a series of intrinsic mode functions (IMFs). The merit of this comprehensive improved algorithm is that it can improve the calculation efficiency and decomposition accuracy by adaptively finding the optimal wavelet packet base and adding band-limited white noise. Simulations and experiments results show the feasibility, effectiveness and higher accuracy of the comprehensive algorithm in decomposing surface topography.     

气-液两相流压差波动信号中噪声的辨识

压差波动信号由于其容易测量,而且包含流动的很多信息而被广泛用于气液两相流的研究中。在测量时由于难免受到各种干扰,这些干扰会影响非线性分析的精度和结果。因此,在利用压差波动信号进行非线性分析之前,通常要对其进行滤波处理。究竟多高频率以上的压差波动信号才是噪声,并如何对其进行定量检测的研究就非常重要。这里对水平管内气液两相流压差波动信号用小波包进行分解,得到按16Hz等间隔分段的16个不同频带信号,用自相关函数研究了各频段信号的线性相关性。通过理论证实了气液两相流压差波动信号中,64Hz以上信号不存在线性相关性,可以认为其是噪声信号。研究指出通过气液两相流压差波动信号来研究流型信息时,应考虑64Hz以下信号。     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。