基于EEMD的高速列车横向减振器故障的排列熵特征分析

针对高速列车转向架横向减振器状态监测数据的特点,提出了一种聚合经验模式分解和排列熵相结合的故障特征分析方法,用于在不同时间尺度下对信号进行复杂性分析。首先利用EEMD对横向减振器不同个数失效的7种工况信号进行分解,再用排列熵量化IMF的复杂度,得到多维特征向量集,最后采用支持向量机对故障状态进行分类识别。实验结果表明本方法对多个横向减振器失效的工况识别率最高可达100%,验证了排列熵特征对于高速列车横向减振器故障信号分析的有效性。     

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化,严重影响高速列车运行的安全性和舒适度。为此,提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验,得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数,分别提取能量矩特征,反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入,在列车行驶200km/h的速度下进行转向架故障识别,结果表明,该方法的识别正确率可达到95％以上。     

基于EEMD的滚动轴承故障诊断

模糊熵是一种检测时间序列复杂程度的方法,在衡量时间序列复杂性方面具有广泛应用.由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析.基于此提出了基于集合经验模态分解和模糊熵的滚动轴承故障诊断方法.首先,通过集合经验模态分解将振动信号自适应的分解为多个不同尺度下的内禀模态函数;...     

基于EEMD与GWO-SVM的石化机组轴承故障诊断

针对石化机组轴承做故障分类时,传统支持向量机的分类性能受自身参数选择的影响识别准确率不高的问题,提出一种基于集合经验模态分解和改进支持向量机的石化机组轴承故障诊断。首先利用集合经验模态分解（ensemble empirical mode decomposition,EEMD）与样本熵（sample entropy,SE）对原始信号进行特征提取,采用灰狼算法优化支持向量机（gray wolf optimization algorithm support vector machine,GWO-SVM）的方法得到最优参数,构建石化机组轴承故障诊断模型。最后以实际石化机组数据集进行诊断分析,并通过与未优化的支持向量机和传统优化算法的支持向量机进行对比,表明该文所提方法的有效性和优越性。     

高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.     

基于EEMD能量熵和LSSVM的传感器故障诊断

传感器作为动车组制动系统的关键部件,其能否正常工作直接影响动车组的安全稳定运行.集成经验模态分解克服了经验模态分解的模态混叠现象,分解出的各个内禀模态函数突出了故障的局部特征,并求解其能量熵组成故障特征向量,然后把故障特征向量输入到最小二乘支持向量机(LSSVM)进行故障识别和分类.同时采用粒子群优化算法对LSSVM的结构参数进行择优.测试结果表明:该故障诊断模型对动车组AS压力传感器故障具有较高的正确分类率.     

基于EEMD与矩阵分形的自动机故障诊断方法

针对自动机振动响应信号非线性、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和矩阵分形相结合的自动机故障诊断方法。首先对采集到的自动机各种工况信号采用EEMD分解的方法对其进行分解,通过对分解得到的固有模态函数(IMF)分量信号进行广义维数计算,得到每个工况广义维数分形矩阵,发现不同工况下的分形矩阵有较大差别。通过计算待检测信号与样本信号之间的的相关系数,采用折线图进行直观比较,确定待检测信号的故障类别。验证了该方法能有效地应用在自动机故障诊断中。     

基于EMD-ICA的激电数据降噪处理方法*

针对传统降噪方法处理激发极化法(激电法)测量数据的效果不理想的问题,对经验模态分解方法和独立分量分析技术进行了研究,提出了一种新的激电数据降噪方法。首先,采用经验模态分解方法将原始测量数据自适应分解为有限个固有模态函数,再根据其与激发信号的相关性选择固有模态函数构造虚拟噪声通道,最后利用独立分量分析技术提取多维混合数据中的激电信号。利用仿真信号和实际数据对本文方法进行实验,对比普通滤波方法和小波阈值算法,结果表明该方法能有效提高激电数据的信噪比。     

基于MEMD的高速列车转向架故障的排列熵特征分析

在监测高速列车转向架工作状态时,针对列车运动自由度数目多、不同监测点数据相关性强的特点,提出了多元经验模态分解和排列熵相结合的故障特征提取方法。首先利用多元经验模态分解对高速列车转向架7种不同工况的振动信号进行多通道同步联合分析,获取不同数据通道间的共同模式。利用相关系数选取反映故障信号特征的有效本征模态函数来重构原始故障信号,计算重构信号的排列熵作为故障特征。最后采用支持向量机进行故障状态分类识别。实验结果表明,列车在各种运行速度下均能达到85%以上的分类效果,验证了该方法的有效性。     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

应用EMD熵和ReliefF分析高铁横向减振器故障

横向减振器是转向架的关键部件,其作用是衰减车体与转向架间的振动,其性能对列车的舒适性和安全性有重要影响。横向减振器的故障会引起列车车体振动信号的变化,为了能对其进行性能监测和故障诊断,提出一种基于EMD排列组合熵和ReliefF的特征分析方法。先对预处理过的信号进行EMD分解,后对得到的若干个包含主要故障信息的本征模式函数求解熵值,最后用ReliefF对6阶本征模式函数熵值构成的特征矢量进行优化降维,对降维后的特征用支持向量机对四种工况进行分类识别。实验结果表明,对运行速度200 km/h及以上时的平均识别率可以达到96%以上。     

基于排列组合熵的高速列车走行部故障分析

针对列车走行部的多种故障模式,提出了基于排列组合熵的高速列车走行部故障诊断方法.对原车和抗蛇行减振器失效、空气弹簧失气、横向减振器失效四种工况进行仿真实验,得到列车不同位置的振动信号.计算列车振动信号的排列组合熵,首先实现了同一速度下不同故障的分离,然后以排列组合熵作为故障特征向量,对特征向量进行多级SVM分类识别.实验结果表明,该方法可以有效识别列车同一速度下的不同故障,高速时对四种工况的平均识别率达97％以上.     

基于EEMD和模糊阈值的去噪方法

为了提高EEMD分解中噪声主导模态的去噪效果,利用模糊隶属度的优势,提出了一种EEMD和模糊阈值相结合的去噪方法。首先用二范数计算各个本征模态函数(IMF)与观测信号的概率密度函数(PDF)之间的相似度,得到噪声主导的IMF;然后对噪声主导的IMF进行模糊阈值处理,以去除IMF中的噪声;最后将所有的IMF重构得到消噪信号。分别采用仿真信号和ECG信号进行去噪实验,结果均表明,所提方法的去噪效果整体上优于小波半软阈值方法和基于EMD的间隔阈值(EMD-IT)方法。     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

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。     

基于小波分析的高速列车车体运行状态估计

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态, 针对车体垂向加速度振动信号, 提出了小波包能量矩的列车状态估计方法。首先分析车体垂向振动特征, 对不同工况和不同速度下的信号进行小波包分解, 并重构能量较大的频带信号, 再计算各频带的小波包能量矩特征, 不同频带信号的小波包能量矩变化反映了列车运行状态的改变。将不同频带的小波包能量矩组成特征向量, 最后用支持向量机进行故障识别。实验数据仿真分析表明, 列车空簧失气故障和横向减振器失效故障识别率为100%, 说明该方法能很好地估计出高速列车的故障状态。     

基于夹角余弦和模糊阈值的EEMD去噪方法

针对非线性非平稳信号的去噪问题,结合EEMD分解信号的自适应特性,提出一种基于夹角余弦和模糊阈值的去噪方法。首先用夹角余弦法计算各个本征模态函数（IMF）与观测信号之间的相似度,以相似度曲线的首个极小值的后一个位置为分界点将分解出的IMF分为噪声主导模态和信号主导模态;然后根据VisuShrink阈值易“过扼杀”细节系数和SUREShrink阈值易“过保留”噪声系数的特点,利用模糊阈值对噪声主导的IMF进行处理;最后将所有的IMF重构得到消噪信号。分别采用仿真信号和真实ECG信号进行去噪实验。结果表明,所提方法在整体性能上优于小波半软阈值方法、基于EMD的软阈值（EMD-Soft）和间隔阈值（EMD-IT）方法,是一种有效的去噪方法。