基于EEMD与FCM聚类的自动机故障诊断

针对自动机使用中常见的故障检测与识别问题,考虑到自动机振动响应信号非线性、短时、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和模糊C均值(FCM)聚类结合的自动机故障诊断方法。首先,使用EEMD分解方法对自动机的振动信号进行分解,结合相关系数提取前5个固有模态函数(IMF)分量的能量百分比作为特征值,再用模糊C均值聚类对特征值进行聚类分析。通过对自动机不同工况分别用EEMD和EMD方法进行故障分类识别对比,结果表明:所有样本的诊断结果与实际情况基本符合,证明EEMD法有更好的分类效果,分类正确率达93.75%。从而验证该方法能有效应用在自动机故障诊断中。     

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。     

基于Dirichlet过程的无线视频码率变化识别算法

研究了通过对终端视频帧质量的聚类分析来识别无线视频传输中码率变化的方法,以便为无线视频传输过程中视频码率自适应调整提供参考依据.针对经典模糊C均值(FCM)算法和K均值(K-means)算法需要设定聚类数目的问题,提出一种基于荻利克雷过程(DP)的FCM算法——DP-FCM算法.该算法将Dirichlet过程和FCM算法相结合,由视频帧信息权重峰值信噪比(IWPSNR)值使用DP过程混合模型模拟估计出聚类数目,然后进行FCM模糊聚类,通过设定合理的阈值,合并聚类结果相似项,完成视频帧的聚类,从而实现视频传输码率变化的识别.以LIVE视频库为试验数据源,对该算法进行了性能测试.试验结果表明,DP-FCM算法能够在无需设定聚类数目的前提下实现视频传输码率变化的分类识别.     

OLED显示屏表面缺陷自动检测方法

目的 为了解决OLED显示屏表面周期性纹理背景和缺陷边界模糊、对比度低的特征导致其表面缺陷检测困难的问题,开展OLED显示屏表面缺陷自动检测方法研究.方法 对OLED显示屏图像进行奇异值分解,选择前2个较大的奇异值重构图像纹理背景,对原图像和重构图像进行差分运算,获得残差图像.将残差图像像素随机赋予初始隶属度值,采用模糊C均值聚类法获得像素最终隶属度值.根据隶属度大小,将残差图像像素聚成2类,并从残差图像中准确地分割缺陷.结果 选取较大的2个奇异值可以有效地重构OLED显示屏的周期性纹理背景;模糊C均值聚类法分割缺陷获得的区域灰度一致性(U)平均值为0.9846.结论 基于奇异值分解的背景重构方法可以有效地检测OLED显示屏表面缺陷;与分水岭法和Otsu方法相比,模糊C均值聚类可以准确地分割模糊边界的缺陷区域.     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

集成多策略改进FCM算法的旋转机械故障数据聚类分析研究

针对旋转机械故障数据聚类分析中的初始聚类中心不确定和孤立点敏感问题,提出了一种集成多策略改进的模糊C均值(FCM)聚类方法。首先以故障数据集的决策属性为等价关系对数据集进行划分,得到若干个由等价关系导出的等价类;然后以每个等价类为可行域,采用均值漂移方法搜索故障数据类中心;最后以搜索到的类中心为FCM算法的初始聚类中心,通过核技术计算故障数据样本与相应类中心在高维特征空间中的欧氏距离,从而实现数据样本相似性的有效度量,并完成故障数据的模糊聚类。通过标准数据集和旋转机械故障数据集对方法的性能进行了验证及比较分析。结果显示,改进FCM算法的聚类性能相比传统FCM算法的聚类性能得到了明显提升,在收敛速度和聚类准确性两个性能指标上,改进的FCM算法比FCM算法具有显著优势。     

基于LMD能量熵和GK模糊聚类的电能质量扰动识别

提出一种基于局部均值分解方法(LMD)能量熵和GK模糊聚类相结合的电能质量扰动识别的新方法。LMD能量熵具有局域化的特性并且能够表征扰动信号复杂度,可以量化扰动特征。GK模糊聚类可处理分布不规则数据,因此可对各种扰动信号进行识别。非平稳的扰动信号首先由LMD分解,得到若干个有物理意义的乘积函数(PF),通过Shannon熵的特征筛选方法对PF分量进行筛选,求取其能量熵组成特征向量。进而通过GK聚类对特征向量进行识别分类。实验表明,该方法能够有效准确地识别电能扰动信号,并具有良好的抗噪性。     

基于IMF-SVD包络谱法的轮对轴承故障检测方法研究

针对经验模态分解(empirical model decomposition,EMD)所得的本质特征函数(intrinsic model function,IMF)之间存在相互耦合、难以清晰提取高速列车轮对轴承的故障特征问题,提出一种轮对轴承故障检测的新方法。该方法的核心是应用EMD自适应地分解轴承振动信号,得到多尺度的IMF,应用单尺度的IMF信号构造Hankel矩阵,对该矩阵进行奇异值分解(singular value decomposition,SVD),应用奇异值的差分谱来选择其关键奇异值,对关键奇异值进行奇异值重构,通过重构信号的包络谱分析来检测轮对轴承的故障。利用高速列车轮对轴承故障数据对该检测方法和模型进行验证,结果表明:该方法能够清晰地提取表征轴承故障特性的基频、倍频成分,突显故障频率特征,具有一定工程应用前景。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.