EMD融合多重分形的故障诊断研究

本文建立了以EMD分解为基础,将分解信号再多重分形然后用改进BP神经网络训练的水轮发电机组故障诊断模型。该模型先利用EMD分解对振动信号进行识别,得到故障信号的EMD近似系数,再通过多重分形谱算法提取振动故障的特征向量,最后将该特征向量输入BP神经网络进行分类识别。故障信号频谱特性的提取差异很大,不能反应故障特征。该模型直接通过波形提取信号特征,避免频谱提取的提示还结合了多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路。经过现场试验,该方法能够准确识别故障,结果令人满意。     

基于信息融合的高压大流量柱塞泵故障诊断试验研究

针对高压大流量柱塞泵依靠单一信息难以进行准确故障诊的等问题,进行了基于信息融合的柱塞泵故障诊断试验研究。采集了柱塞泵正常状态和8种故障状态下的振动信号和压力信号,然后利用经验模态分解(EMD)将振动信号分解到不同的频带并提取能量特征,提取了压力信号的时域特征,再将振动信号特征和压力信号特征进行融合,输入到支持向量机(SVM)中进行故障识别。结果表明,利用信息融合进行故障诊断的准确效果优于利用单一的振动信号和压力信号的诊断效果,可以有效地对柱塞泵的故障进行识别和诊断。     

基于分形理论的低压断路器三相合闸同期性振动信号特征分析

在综述现有断路器机械故障振动信号研究方法的基础上,提出了一种经验模态分解(EMD)和分形理论相结合的方法用于提取低压断路器振动信号的特征量,并以典型的三相合闸不同期性低压断路器故障为对象,研究了EMD结合分形维数的故障振动信号特征分析,且给出以分形维数均方根作为故障特征量的实验仿真数据结果。首先,利用EMD方法对低压断路器的振动信号进行分解,得到若干个本征模态函数(IMF);其次,对振动信号以及各IMF分量求分形维数及其均方根,作为低压断路器振动信号的特征量。通过对低压断路器三相合闸不同期性模拟故障振动信号处理,对比其不同状态下的分形维数及其均方根的变化规律,表明该方法不仅可作为低压断路器三相同期性故障诊断的判据,且可应用于断路器其他各类机械故障的振动信号特征的提取分析。     

低压断路器振动特性分析及其故障诊断研究

以低压断路器三相不同期故障为对象,首先,利用经验模态分解(EMD)方法,将振动信号分解为若干本征模态函数(IMF),经频谱分析确定前四阶IMF分量作为振动信号特性,并起到振动信号消噪作用;其次,利用分形理论对前四阶IMF分量求取关联维数,以表征低压断路器三相合闸不同期的故障特征;最后,引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明,基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理,该方法对低压断路器其他故障类型的诊断具有适用性。     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

基于EMD近似熵和RBF神经网络的换流器故障诊断

提出了基于经验模式识别(EMD)近似熵和径向基函数(RBF)神经网络的换流器故障诊断方法。通过对故障信号EMD分解提取故障信号特征,得到多个可以反映故障特征的本征模式分量(IMF),选取反映信号主要信息的IMF分量并求解其近似熵,从而构造各种故障的特征矩阵,并作为样本运用RBF神经网络进行训练。换流器故障时,将所提取的故障信号特征矩阵输入已训练好的RBF网络,从而可实现故障类型的识别。仿真证明,该方法能够有效提取出不同故障的特征,从而区分换流器各类故障,具有很好的可行性。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于振动信号的高压断路器触头超程状态识别

提出了一种利用振动信号识别高压断路器触头超程状态的新方法。高压断路器分/合闸动作过程中产生的振动信号包含有触头超程状态信息,合适的信号处理方法及特征提取技术可以将该信息提取出来。试验获取高压断路器不同触头超程下的振动信号,采用经验模态分解(EMD)对振动信号进行分解,计算分解得到的本征模态函数(IMF) Hilbert边际谱能量,作为触头超程状态特征量,并详细分析该特征量与触头超程之间的变化规律。结果表明,所提方法能够有效提取高压断路器的触头超程状态信息,能够实现触头超程状态的准确识别,为高压断路器触头超程状态在线监测与诊断提供一种新方法。     

基于SVD-SVM的HVDC换流器故障诊断

换流器结构复杂,其故障信号难以诊断。文中基于奇异值分解(SVD)和支持向量机(SVM)提出了一种换流器故障诊断的新方法,对选取的故障信号矩阵进行SVD分解,所得奇异值的大小反映故障信息量的大小,选取最大奇异值对应的特征矩阵作为样本,用SVM进行训练分类。当换流器发生故障时,对故障信号矩阵进行SVD分解,用训练所得的SVM诊断器进行故障诊断。仿真表明,SVD分解可以有效提取换流器故障特征,通过SVM可以准确诊断换流器各种故障,文中方法快速准确。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

经验模态分解奇异性检测的配电网混合线路测距方法

含架空线和电缆的配电网混合线路发生故障时,故障行波信号传播复杂,波头识别困难。提出一种分形维数与经验模态分解（EMD）奇异性检测结合的配电网混合线路单端行波测距方法。对故障产生的行波信号进行分形滤波后,利用经验模态分解方法提取出高频信号的固有模态函数（IMF）,进行奇异性检测实现行波波头的准确标定,最后利用A型行波测距原理实现配电网混合线路的故障测距。PSCAD仿真结果表明,该方法具有较高的准确性和可靠性,能够有效识别出混合线路中故障点反射波和对端母线反射波,实现故障测距。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。     

基于CS阵列的DOA估计

基于目标在空域分布稀疏的性质,通过引入压缩感知(Compressive Sensing或Compressive Sampling,CS)理论的思想,提出一种基于奇异值分解的压缩采样阵列(SVD-CSA)DOA估计算法。首先建立DOA压缩感知模型,根据阵列结构建立过完备原子库,然后对压缩采样阵列结构输出的数据矩阵进行奇异值分解,最后基于范数约束的最优化问题的目标函数将信号子空间分解到最佳基向量上,实现了空域信号DOA的高分辨估计。相对于已有算法,该算法减少了硬件复杂度,具有较低的运算量,且能够对相干信号进行有效DOA估计。实验仿真验证了其有效性。     

基于EMD和自相关分析的轮胎音频信号处理

路面的基础激励与路面平整度有着密切的关系,传统的方法很难有效的提取路面施加于轮胎的周期信号。为了通过轮胎音频信号来分析路面平整度,本文采用EMD与自相关分析相结合的方法处理实际工程中所采集的路面轮胎音频信号。首先对原始信号进行经验模态分解,得到理论意义上的固有模态函数;然后对各分解层做自相关分析,判别每层IMF中是否含有周期信号;最后通过频谱分析,有效提取相应周期信号的频率和幅值,进而计算出路面基础激励的频率值,标定路面的平整度。试验结果表明,路面较平整的路段基础激励全部在100Hz以下,且基础激励越大,路面平整度越差;同时该方法也为检测路面平整度提供相应的科学依据。     

经验模态分解端点波形延拓改进方法研究

为提高经验模态分解(EMD)的分解精度,针对分解过程中存在的端点效应问题,在对已有波形匹配延拓方法改进的基础上,提出了一种改进后的基于端点波形匹配的经验模态分解方法。通过对齿轮裂纹故障模拟试验结果分析表明,当齿轮转速为600r/min时,5 120个实验数据分解时间约为1.2 s,所得第6个IMF分量的幅值谱峰值频率为10 Hz,对应着系统的回转频率。第2个IMF分量的峰值频率为550 Hz,对应着系统的啮合频率。所提出的方法能够分解出齿轮系统的特征分量,具有较高的分解精度和计算效率。     

EEMD在超宽带雷达生命信号提取中的应用

超宽带生命探测雷达回波信号具有非线性、非平稳特性,由于心跳信号能量较弱,且受到呼吸谐波的干扰,传统的数字滤波方法无法有效地提取心跳信号。鉴于此采用一种从时域上提取生命信号的新方法。应用聚类经验模式分解(EEMD)将生命信号分解成有限个固有模态函数(IMF),再依据模式判别准则从时域上重构呼吸和心跳信号。实验结果表明,相比于经验模式分解(EMD),EEMD能有效提取呼吸信号和心跳信号。     

一种基于改进EMD端点效应的电能质量分析新方法

针对经验模态分解（EMD）中存在的端点效应问题,提出一种基于极值点对称延拓的新方法来对短时信号序列进行端点处理.通过对信号序列边界处的相邻两个极大值、极小值点的连接,比较其在边界对应值与端点值的大小,按照包络原则选取其一作为边界处的极大值或极小值,然后进行EMD分解.将该方法应用于电力系统的谐波模态辨识,仿真结果表明其能够有效改善EMD端点效应,准确辨识出信号所含的多种谐波模式.     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

语音信号的奇异值分解去噪

针对时域中含噪语音信号较长而无法直接进行奇异值分解以及在分解中无法自适应确定分离阶数的问题,本文提出了将时域语音信号分段后再进行奇异值分解的方法,该方法在分段分解后通过拼接可还原出原信号。为了解决分离阶数选取困难的问题,在分解过程中本文采用均值法及方差法自适应确定分离阶数,仿真实验结果验证了该方法对语音信号去噪的有效性。